Open-Source KI-Modell beschleunigt Fortschritte in der medizinischen Videoanalyse

United Imaging Intelligence (UII) hat eine Initiative zur Förderung von Fortschritten im Bereich der künstlichen Intelligenz (KI) für die medizinische Videoanalyse gestartet. Das Unternehmen hat ein Open-Source-Modell, einen öffentlichen Datensatz und einen Benchmark veröffentlicht, um Forschern eine gemeinsame Grundlage für die Zusammenarbeit zu bieten.

Das Verständnis medizinischer Videos stellt eine erhebliche Herausforderung für die KI dar und erfordert präzise räumliche Wahrnehmung und komplexes zeitliches Schlussfolgern. Fortschritte wurden oft durch den Mangel an klinischen Daten und die hohen Kosten der Expertenannotation behindert. UII zielt darauf ab, diese Hindernisse mit einem offenen Rahmenwerk zu überwinden, das darauf ausgelegt ist, Forschungsfortschritte zu messen und die internationale Kooperation zu erleichtern.

Nach der Annahme seiner MedGRPO-Forschung auf der CVPR 2026 führte UII sein uAI NEXUS MedVLM-Modell ein und stellte den MedVidBench-Testdatensatz mit über 6.200 Stichproben öffentlich zur Verfügung. Diese sind Teil einer größeren Sammlung mit über 530.000 Video-Instruktionspaaren. Darüber hinaus führte UII die öffentliche MedVidBench-Rangliste ein, um Modelle anhand von zehn Metriken zu bewerten.

Um diese gemeinsame Grundlage in kollektive Fortschritte umzusetzen, hat UII im Sommer 2026 gemeinsam mit der Université de Strasbourg und der Technischen Universität München die MedVidU Challenge ins Leben gerufen. Der Wettbewerb zog 75 Teams aus 18 Ländern und Regionen an, mit dem Ziel, vielfältige Ideen und Ansätze für KI in medizinischen Videos zu sammeln.

Der MedVidBench-Datensatz wurde über 30.000 Mal heruntergeladen und hat Interesse in der internationalen Forschungsgemeinschaft geweckt. Vier Teams erreichten die Endphase der MedVidU Challenge, und zwei Teams präsentierten ihre Ergebnisse auf der ECCV 2026 MedVidU Workshop in Malmö, Schweden, im September. Diese Initiative fördert ein offenes Ökosystem, das Ressourcenteilung, transparente Bewertung und Forschungsaustausch kombiniert, um KI in der medizinischen Videoanalyse in die klinische Praxis zu überführen.