Lungenkrebs ist weltweit die Haupttodesursache durch Krebs. Aufgrund der versteckten frühen Symptome wird die Diagnose häufig erst in einem fortgeschrittenen Stadium gestellt. Das Screening mittels Niedrigdosis- oder Standarddosis-Computertomographie (computed tomography, CT) hat die Früherkennungsrate erhöht, jedoch hat das Problem der ionisierenden Strahlenexposition das Interesse an der Magnetresonanztomographie (magnetic resonance imaging, MRI) als strahlenfreies Bildgebungsverfahren verstärkt. Neue MRT-Sequenzen zeigen hervorragende Artefaktresistenz, hohe Auflösung und die Fähigkeit, kleine Lungenknoten zu erkennen. Dennoch stehen diese Sequenzen bei der klinischen Einführung vor Herausforderungen wie fehlenden standardisierten Parametern, hoher Geräteabhängigkeit und mangelnder Erfahrung bei der Bildauswertung, was ihre Anwendung in der realen Welt einschränkt. Dieser Artikel fokussiert sich auf die Transformationsengpässe dieser Sequenzen beim frühen Screening und der qualitativen Diagnostik von Lungenknoten und versucht, einen dreigliedrigen Bewertungsrahmen „Leistung — Anpassungsfähigkeit — Interpretation“ zu entwickeln. Zudem wird die Möglichkeit der Kombination funktioneller MRT mit diagnostischen Modellen der künstlichen Intelligenz (artificial intelligence, AI) erörtert, wobei die aktuellen AI-Modelle bei der Verarbeitung von MRT-Daten vor Schlüsselproblemen wie Mangel an Trainingsdaten, Sequenzheterogenität und Merkmalstransferbarrieren stehen. Zusammenfassend analysiert dieser Artikel systematisch die technologischen Fortschritte der MRT beim Screening und der Diagnose von Lungenknoten, legt besonderen Wert auf die Herausforderungen bei der Implementierung neuer Sequenzen und die Lücken in AI-Analyse-Frameworks, mit dem Ziel, gezielte Forschungsansätze und praktische Hinweise für strahlenfreie Lungenkrebs-Screening-Pfade zu bieten.

Lungenknoten;Magnetresonanztomographie;MRT-Sequenzen;Radiomik;Präzisionsmedizin