Key-Facts: KI in der Radiologie
- Automatisierte Befundung: Algorithmen erkennen Muster in CT-, MRT- und Röntgenbildern.
- Hohe Präzision: Aktuelle Studien belegen eine diagnostische Genauigkeit auf Facharztniveau.
- Deep Learning: Künstliche neuronale Netze trainieren mit Millionen von annotierten Bilddaten.
- Klinische Entlastung: KI-Systeme filtern unauffällige Befunde heraus. Deshalb sparen Ärzte wertvolle Zeit.
- Studienlage: Renommierte Fachjournale (The Lancet, NEJM) bestätigen den klinischen Nutzen.
Inhaltsverzeichnis
Einleitung: Der Wandel durch Künstliche Intelligenz
Die KI in der Radiologie verändert die moderne Medizin grundlegend. Deshalb stehen wir vor einem historischen Umbruch im Gesundheitswesen. Früher analysierten Ärzte jedes einzelne Bild komplett manuell. Heute hilft fortschrittliche Software bei dieser komplexen Aufgabe. Zudem steigen die Fallzahlen in den Krankenhäusern rasant an. Folglich wächst die tägliche Arbeitsbelastung der medizinischen Fachkräfte enorm. Künstliche Intelligenz bietet hier eine dringend benötigte Lösung. Denn sie kann riesige Datenmengen in Sekundenschnelle verarbeiten.
Darüber hinaus werden die Bildgebungsverfahren immer detaillierter. Moderne CT-Scanner erzeugen tausende Schichtbilder pro Patient. Deshalb stoßen menschliche Auswerter oft an ihre kognitiven Grenzen. Dennoch muss jede Diagnose absolut fehlerfrei sein. Hierbei unterstützt die computergestützte Analyse maßgeblich. Außerdem ermüden Computeralgorithmen im Gegensatz zum Menschen niemals. Folglich bleibt die Fehlerquote auch bei Nachtschichten konstant niedrig. Somit verbessert die Technologie die allgemeine Patientensicherheit erheblich.
Die Bedeutung für die aktuelle Medizin
Der Begriff „KI in der Radiologie“ umfasst viele verschiedene Anwendungen. Meistens geht es jedoch um die schnelle Bildanalyse. Diese Programme markieren verdächtige Läsionen automatisch. Daher übersehen Radiologen seltener kleine Tumore oder Haarrisse. Weiterhin priorisiert die Software lebensbedrohliche Notfälle. Beispielsweise schlägt das System bei einer Gehirnblutung sofort Alarm. Folglich gewinnt das medizinische Team lebensrettende Zeit.
Trotzdem gibt es auch kritische Stimmen in der Fachwelt. Manche Ärzte fürchten den Verlust ihrer beruflichen Autonomie. Jedoch zeigen Studien ein ganz anderes Bild. Die KI soll den Menschen nicht ersetzen. Vielmehr fungiert sie als hochspezialisierter Assistent. Demzufolge entsteht eine starke Symbiose aus Mensch und Maschine. Schließlich profitieren die Patienten am meisten von dieser Entwicklung. Denn sie erhalten schnellere und präzisere Diagnosen.
Herausforderungen auf dem Weg zur Integration
Natürlich verläuft die Einführung nicht völlig ohne Hindernisse. Zunächst müssen Kliniken in teure IT-Infrastruktur investieren. Zudem erfordert die neue Software spezielle Schulungen für das Personal. Dennoch amortisieren sich diese Kosten meistens sehr schnell. Denn eine effizientere Befundung spart langfristig enorme Ressourcen. Außerdem erleichtern gesetzliche Rahmenbedingungen zunehmend die Zulassung solcher Medizinprodukte. Folglich werden wir in naher Zukunft noch mehr Innovationen sehen.
Grundlagen & Definition
Die automatisierte Befundung durch KI basiert auf komplexer Mathematik. Hierbei spielen verschiedene technologische Ansätze eine große Rolle. Zuallererst müssen wir den Begriff der Künstlichen Intelligenz eingrenzen. In der Medizin meint dies meist das maschinelle Lernen. Dabei programmiert der Mensch keine festen Regeln mehr. Stattdessen lernt die Maschine selbstständig aus Beispieldaten. Folglich erkennt das System eigenständig verborgene Zusammenhänge.
Besonders wichtig ist hierbei das sogenannte Deep Learning. Diese Unterkategorie nutzt künstliche neuronale Netzwerke. Deshalb orientiert sich die Architektur am menschlichen Gehirn. Diese Netzwerke bestehen aus vielen verschiedenen Schichten. Jede Schicht filtert spezifische Informationen aus den medizinischen Bildern. Zudem steigert sich die Komplexität mit jeder weiteren Ebene. Folglich kann das Netzwerk am Ende sehr genaue Vorhersagen treffen.
Mustererkennung und Diagnostische Genauigkeit
Ein zentraler Begriff ist die Mustererkennung. Die KI in der Radiologie sucht nach feinen Gewebeveränderungen. Beispielsweise analysiert sie die Dichte eines Lungenknotens. Daher unterscheidet sie gutartige von bösartigen Tumoren. Außerdem vergleicht das System das aktuelle Bild mit Millionen Trainingsdaten. Somit erreicht die Software eine beeindruckende diagnostische Genauigkeit. Oftmals liegt diese bereits auf dem Niveau erfahrener Fachärzte.
Jedoch erfordert dieses Training eine enorme Datenmenge. Diese Bilder müssen vorab von Experten genau markiert werden. Man nennt diesen Vorgang auch Annotation. Deshalb ist die Entwicklung solcher Algorithmen sehr zeitaufwendig. Dennoch lohnt sich dieser Aufwand für die medizinische Forschung. Denn ein fertig trainiertes Modell arbeitet blitzschnell. Folglich beschleunigt es den klinischen Workflow erheblich.
Physiologische und Technische Mechanismen (Deep Dive)
Um die KI in der Radiologie wirklich zu verstehen, müssen wir tief blicken. Die technische Basis bilden meist Convolutional Neural Networks (CNNs). Auf Deutsch nennt man diese Faltungsnetzwerke. Diese Netzwerke sind speziell für zweidimensionale und dreidimensionale Bilddaten konzipiert. Deshalb eignen sie sich perfekt für Röntgen-, MRT- und CT-Aufnahmen. Ein CNN analysiert die Pixelstruktur eines Bildes sehr systematisch. Folglich zerlegt es die komplexe Anatomie in messbare Zahlenwerte.
Der erste Schritt im CNN ist die sogenannte Faltung (Convolution). Hierbei gleitet ein kleiner Filter über das gesamte medizinische Bild. Dieser Filter sucht nach einfachen Kanten, Ecken oder Kontrastunterschieden. Zudem speichert das Netzwerk diese Merkmale in einer neuen Matrix. Daher entsteht eine abstrakte Repräsentation der ursprünglichen Anatomie. Danach folgt meistens eine sogenannte Pooling-Schicht. Diese reduziert die Datenmenge, behält aber die wichtigsten Informationen bei.
Tiefere Schichten und Merkmalsextraktion
Anschließend wandern die Daten in tiefere Schichten des Netzwerks. Hier wird die Mustererkennung deutlich komplexer. Das System setzt die einfachen Kanten nun zu größeren Strukturen zusammen. Beispielsweise erkennt es jetzt Organränder oder spezifische Gefäßverläufe. Deshalb kann die KI in der Radiologie pathologische Veränderungen detektieren. Zudem berechnet das Netzwerk stetig Wahrscheinlichkeiten. Folglich entscheidet es, ob ein Befund normal oder auffällig ist.
Dieser gesamte Prozess erfordert gewaltige Rechenleistung. Daher nutzen Entwickler spezielle Grafikkarten (GPUs) für das Training. Während der Lernphase macht das System anfänglich viele Fehler. Jedoch greift hier der Mechanismus der Backpropagation. Das Netzwerk vergleicht sein Ergebnis mit der echten Diagnose. Danach passt es seine internen Gewichtungen mathematisch an. Demzufolge macht das Modell beim nächsten Mal weniger Fehler.
Von der Eingabe zur automatisierten Befundung
Schließlich erreicht das Netzwerk die Ausgabeschicht (Output Layer). Diese Schicht liefert das finale Ergebnis für den Radiologen. Oftmals erzeugt die Software eine sogenannte Heatmap. Diese farbige Karte markiert die verdächtigen Bereiche auf dem Originalbild. Deshalb sieht der Arzt sofort, wo die KI eine Läsion vermutet. Außerdem gibt das System oft einen Konfidenzwert an. Dieser Wert zeigt, wie sicher sich der Algorithmus bei seiner Diagnose ist.
Darüber hinaus existieren verschiedene Arten des maschinellen Lernens. Die meisten klinischen Systeme nutzen überwachtes Lernen (Supervised Learning). Hierbei lernt die Software ausschließlich aus vorab diagnostizierten Bildern. Jedoch forschen Wissenschaftler auch an unüberwachten Methoden. Diese könnten in Zukunft völlig neue Krankheitsmuster entdecken. Folglich steht die Technologie erst am Anfang ihres Potenzials. Dennoch ist der aktuelle Nutzen bereits unbestreitbar groß.
Aktuelle Studienlage & Evidenz (Journals)
Die wissenschaftliche Evidenz für KI in der Radiologie wächst täglich. Renommierte medizinische Fachzeitschriften veröffentlichen regelmäßig groß angelegte Studien. Insbesondere *The Lancet* hat bahnbrechende Ergebnisse präsentiert. In einer britischen Kohortenstudie wurde die Brustkrebsfrüherkennung untersucht. Hierbei verglich man die rein menschliche Befundung mit KI-gestützten Systemen. Das Ergebnis war äußerst vielversprechend für die automatisierte Befundung.
Die KI reduzierte die Rate der falsch-positiven Ergebnisse signifikant. Zudem sank auch die Zahl der übersehenen Tumore (falsch-negativ). Folglich ersparte dies vielen Patientinnen unnötige und belastende Biopsien. Außerdem beschleunigte die Software den gesamten Screening-Prozess enorm. Deshalb schlussfolgerten die Autoren, dass KI als unabhängiger Zweitbefunder agieren kann. Dies entlastet die knappen ärztlichen Ressourcen im Gesundheitssystem massiv.
Studien im New England Journal of Medicine (NEJM)
Auch das *New England Journal of Medicine* (NEJM) berichtet intensiv. Eine vielbeachtete Studie fokussierte sich auf Röntgenaufnahmen des Brustkorbs (Thorax). Die Forscher trainierten ein Deep Learning Modell zur Erkennung von Lungenentzündungen. Anschließend testete man das System gegen erfahrene Radiologen. Das beeindruckende Resultat zeigte eine äquivalente diagnostische Genauigkeit. Teilweise übertraf die KI in der Radiologie sogar die ärztliche Präzision.
Besonders bei subtilen Veränderungen in den Lungenflügeln war der Algorithmus überlegen. Zudem benötigte die Software nur Sekundenbruchteile für die Analyse. Daher ist dieses System ideal für überfüllte Notaufnahmen geeignet. Denn hier müssen Ärzte schnelle und lebenswichtige Entscheidungen treffen. Folglich rettet die automatisierte Priorisierung nachweislich Menschenleben. Somit etabliert sich die Technologie als unverzichtbares Notfallwerkzeug.
Daten aus PubMed und dem Deutschen Ärzteblatt
Eine Datenbankrecherche auf *PubMed* liefert tausende Publikationen zum Thema. Meta-Analysen fassen diese zahlreichen Einzelstudien zusammen. Sie bestätigen fast durchgehend den Mehrwert der automatisierten Befundung. Das *Deutsche Ärzteblatt* beleuchtet zudem die rechtlichen und praktischen Aspekte. Hierbei wird oft die Schlaganfall-Diagnostik mittels CT hervorgehoben. Bei einem Schlaganfall zählt buchstäblich jede Minute.
KI-Software detektiert intrakranielle Blutungen mit einer Sensitivität von über 90 Prozent. Außerdem vermisst sie den betroffenen Hirnbereich vollautomatisch. Deshalb können Neurologen sofort mit der Lysetherapie beginnen. Jedoch betonen alle Studien eine wichtige Einschränkung. Die Algorithmen arbeiten nur innerhalb ihrer spezifischen Trainingsdaten perfekt. Folglich können seltene oder atypische Erkrankungen die Systeme gelegentlich verwirren. Daher bleibt die ärztliche Kontrolle zwingend notwendig.
Praxis-Anwendung & Implikationen
Die Theorie der KI in der Radiologie ist faszinierend. Dennoch entscheidet die praktische Anwendbarkeit über den Erfolg. Moderne Krankenhäuser integrieren die KI direkt in ihre bestehenden IT-Systeme. Die Software läuft meist unsichtbar im Hintergrund des PACS (Picture Archiving and Communication System). Deshalb müssen Ärzte keine neuen Programme öffnen. Folglich bleibt der gewohnte Arbeitsablauf völlig ungestört.
Sobald ein neues MRT oder CT erstellt ist, beginnt die KI-Analyse. Die automatisierte Befundung findet statt, noch bevor der Arzt das Bild öffnet. Wenn der Radiologe den Fall aufruft, sind die Markierungen bereits vorhanden. Zudem erstellt die Software oft schon einen Textentwurf für den ärztlichen Befundbericht. Daher sparen Mediziner bei jedem Patienten wertvolle Minuten. Summiert auf einen Arbeitstag bedeutet dies eine massive zeitliche Entlastung.
Triage und Priorisierung von Notfällen
Eine der wichtigsten praktischen Anwendungen ist die intelligente Triage. In großen Kliniken warten oft Dutzende Bilder auf ihre Beurteilung. Normalerweise arbeiten Ärzte diese Liste chronologisch ab. Jedoch kann dies bei versteckten Notfällen fatale Folgen haben. Die KI in der Radiologie ändert diesen Prozess grundlegend. Sie scannt alle eingehenden Bilder in Echtzeit auf lebensbedrohliche Befunde.
Erkennt das System beispielsweise einen Lungenriss (Pneumothorax), schlägt es Alarm. Der Fall rutscht auf der Arbeitsliste sofort nach ganz oben. Folglich sichtet der Radiologe den kritischen Patienten zuerst. Diese KI-gesteuerte Priorisierung hat die Sterblichkeitsrate in vielen Kliniken gesenkt. Außerdem reduziert sie den Stress für das diensthabende Personal erheblich. Somit profitieren Behandler und Patienten gleichermaßen von der Technologie.
Wirtschaftliche Aspekte und Qualitätssicherung
Neben den klinischen Vorteilen gibt es auch wirtschaftliche Implikationen. Die Anschaffung von KI-Software ist zunächst kostenintensiv. Jedoch steigern Kliniken durch die Beschleunigung ihren Durchsatz. Folglich können mehr Patienten pro Tag untersucht und befundet werden. Zudem vermeiden präzisere Diagnosen teure Folgebehandlungen oder juristische Streitigkeiten wegen Fehldiagnosen. Daher rechnet sich die Investition für die Krankenhäuser mittelfristig fast immer.
Darüber hinaus dient die automatisierte Befundung der internen Qualitätssicherung. In vielen Ländern ist bei bestimmten Untersuchungen ein Vier-Augen-Prinzip gesetzlich vorgeschrieben. Oft fehlt jedoch das Personal für diese doppelte Kontrolle. Hier kann die KI in der Radiologie den Part des zweiten Arztes übernehmen. Dies erfüllt die Qualitätsstandards und sichert die diagnostische Genauigkeit. Schließlich stärkt dies das Vertrauen der Patienten in die moderne Medizin.
Häufige Fragen (FAQ)
Was bedeutet KI in der Radiologie genau?
Künstliche Intelligenz beschreibt hier den Einsatz von spezialisierten Computeralgorithmen. Diese moderne Software analysiert medizinische Bilddaten völlig selbstständig. Dazu gehören Röntgenbilder, MRTs, Ultraschall oder CT-Scans. Deshalb spricht man von einer digitalen Unterstützung im Klinikalltag. Die KI in der Radiologie sucht gezielt nach anatomisch auffälligen Strukturen. Beispielsweise erkennt sie kleine Tumore im Frühstadium. Zudem markiert sie feine Knochenbrüche auf den Röntgenaufnahmen. Folglich übernimmt sie Aufgaben, die höchste menschliche Sehkraft erfordern. Dennoch entscheidet die Software in der Praxis nicht allein. Vielmehr dient sie als assistierendes Werkzeug für den Mediziner. Daher spricht man oft von einem rettenden zweiten Paar Augen. Darüber hinaus lernt das System durch neue Daten ständig dazu. Somit verbessert sich die Erkennungsrate kontinuierlich weiter. Schließlich basiert diese Technologie auf riesigen, weltweit gesammelten Datenmengen. Folglich können behandelnde Ärzte deutlich fundiertere Entscheidungen für ihre Patienten treffen.
Wie funktioniert die automatisierte Befundung durch KI?
Die automatisierte Befundung nutzt zumeist sogenannte künstliche neuronale Netzwerke. Diese Netzwerke imitieren die grundlegende Funktionsweise des menschlichen Gehirns. Zunächst füttern Entwickler das System mit Millionen von bekannten Beispielbildern. Deshalb spricht man in der Fachsprache vom Deep Learning oder maschinellen Lernen. Die Software analysiert bei jedem Bild jeden einzelnen Pixel. Dabei sucht sie nach Mustern, Kanten und spezifischen Kontrasten. Zudem verknüpft das Modell diese Merkmale mit bestimmten Krankheitsbildern. Folglich lernt der Algorithmus, wie eine Lungenentzündung im Röntgenbild aussieht. Wenn nun ein neues, unbekanntes Patientenbild in das System geladen wird, greift die Mustererkennung. Die KI gleicht das Bild in Millisekunden mit ihrem gelernten Wissen ab. Danach markiert sie verdächtige Zonen mit farbigen Heatmaps direkt am Monitor. Außerdem berechnet sie eine Wahrscheinlichkeit für das Vorliegen einer Krankheit. Demzufolge erhält der Radiologe einen präzisen, computergenerierten Vorentwurf für seinen endgültigen Befundbericht.
Welche Vorteile bietet Künstliche Intelligenz für Radiologen?
Der größte Vorteil ist die massive Zeitersparnis im stressigen Klinikalltag. Radiologen müssen täglich Hunderte von komplexen Schnittbildern akribisch auswerten. Deshalb leiden viele Ärzte unter visueller und mentaler Ermüdung. Die KI in der Radiologie übernimmt hier die Rolle eines unermüdlichen Vorfilters. Sie sortiert völlig gesunde Befunde schnell und sicher aus. Zudem hebt sie pathologische Veränderungen farblich deutlich hervor. Folglich muss der Arzt nicht mehr das gesamte Bild absuchen. Er kann sich direkt auf die markierten Problemzonen konzentrieren. Außerdem arbeitet die Software rund um die Uhr mit exakt gleichbleibender Qualität. Daher sinkt die menschliche Fehlerquote bei Nachtdiensten oder Übermüdung drastisch. Darüber hinaus priorisiert die KI lebensbedrohliche Notfälle auf der Arbeitsliste. Somit sehen Ärzte kritische Patienten wie Schlaganfallopfer wesentlich früher. Schließlich führt diese Entlastung zu einer höheren Arbeitszufriedenheit. Folglich haben Mediziner wieder mehr Zeit für komplexe Fälle und den Patientenkontakt.
Wie sicher sind KI-gestützte Diagnosen laut aktuellen Studien?
Die Sicherheit der automatisierten Befundung ist durch zahlreiche Studien gut belegt. Renommierte Fachjournale wie *The Lancet* oder das *NEJM* veröffentlichen regelmäßig Erfolgsberichte. In vielen klar definierten Bereichen erreicht die KI Facharztniveau. Beispielsweise detektiert sie Brustkrebs auf Mammografien mit extrem hoher diagnostischer Genauigkeit. Zudem übertrifft die Software menschliche Auswerter oft bei der Erkennung sehr feiner Lungenknoten. Folglich gilt die Technologie für diese spezifischen Aufgaben als äußerst sicher und zuverlässig. Jedoch betonen Wissenschaftler auch die Grenzen der aktuellen Algorithmen. Die KI ist meist auf eine einzige Aufgabe hochspezialisiert. Sie kann keine ganzheitliche klinische Bewertung des Patienten vornehmen. Außerdem sinkt die Genauigkeit bei seltenen oder untypischen Krankheitsverläufen stark ab. Deshalb fordern Fachgesellschaften weiterhin die Letztverantwortung durch den menschlichen Arzt. Dennoch reduziert die Kombination aus KI und Radiologe die Diagnosefehler signifikant. Somit bietet dieses Duo derzeit die höchste medizinische Sicherheit.
Welche Risiken birgt die automatisierte Bildanalyse?
Trotz der vielen Vorteile existieren durchaus ernstzunehmende Risiken. Ein Hauptproblem ist der sogenannte „Automation Bias“. Dieser Begriff beschreibt das blinde Vertrauen des Menschen in die Maschine. Wenn die KI in der Radiologie einen Fehler macht, übernimmt der Arzt diesen möglicherweise unkritisch. Deshalb könnten im schlimmsten Fall Fehldiagnosen gestellt werden. Zudem basieren die Algorithmen auf den Daten, mit denen sie trainiert wurden. Wenn diese Trainingsdaten fehlerhaft oder einseitig sind, liefert die KI falsche Ergebnisse. Folglich kann es zu struktureller Diskriminierung bestimmter Patientengruppen kommen. Außerdem stellen Hackerangriffe eine reale Bedrohung für vernetzte Kliniksysteme dar. Wenn Cyberkriminelle die KI-Modelle manipulieren, gefährdet dies die Patientensicherheit massiv. Darüber hinaus sind die Entscheidungsprozesse des Deep Learnings oft eine „Black Box“. Daher können Entwickler nachträglich kaum erklären, warum die KI eine bestimmte Diagnose gestellt hat. Somit bleibt die ethische und rechtliche Haftungsfrage bei Behandlungsfehlern weiterhin kompliziert.
Wann wird KI den Radiologen vollständig ersetzen?
Die klare Antwort der wissenschaftlichen Gemeinschaft lautet: Wahrscheinlich niemals. Zwar ist die automatisierte Befundung bei isolierten Aufgaben extrem leistungsstark. Jedoch fehlt der Künstlichen Intelligenz das essenzielle ganzheitliche Verständnis. Ein menschlicher Radiologe betrachtet nicht nur isolierte Pixel auf einem Monitor. Er bewertet die gesamte Krankengeschichte, Vorerkrankungen und aktuelle Laborwerte. Zudem kommuniziert er empathisch mit den zuweisenden Ärzten und den Patienten. Folglich ist die medizinische Diagnostik ein hochkomplexer, zutiefst menschlicher Prozess. Die KI in der Radiologie kann keine moralischen oder ethischen Entscheidungen treffen. Deshalb wird sie den Arztberuf nicht abschaffen, sondern lediglich transformieren. Routineaufgaben werden in Zukunft fast komplett automatisiert ablaufen. Dadurch wandelt sich der Radiologe vom reinen Bildbetrachter zum zentralen klinischen Berater. Man zitiert in der Fachwelt oft einen berühmten Leitsatz. Demzufolge wird KI den Radiologen nicht ersetzen. Allerdings werden Radiologen, die KI nutzen, jene ersetzen, die dies nicht tun.
Fazit und Ausblick
Die KI in der Radiologie ist weit mehr als nur ein technischer Hype. Vielmehr markiert sie den Beginn einer neuen medizinischen Ära. Die automatisierte Befundung liefert bereits heute messbare Vorteile im klinischen Alltag. Deshalb investieren Krankenhäuser weltweit massiv in diese zukunftsweisende Technologie. Durch maschinelles Lernen und tiefe neuronale Netzwerke wird die Bildanalyse immer präziser. Folglich steigt die diagnostische Genauigkeit bei der Erkennung von Tumoren, Frakturen und Blutungen.
Aktuelle Studien aus hochrangigen Journalen belegen die klinische Evidenz eindrucksvoll. Zudem entlasten die Systeme das chronisch überlastete medizinische Personal. Somit bleibt mehr Zeit für die individuelle Betreuung der Patienten. Jedoch dürfen wir die ethischen und rechtlichen Herausforderungen nicht ignorieren. Die ärztliche Aufsicht und die Qualitätskontrolle der Algorithmen bleiben zwingend erforderlich. Dennoch ist die Symbiose aus menschlicher Erfahrung und künstlicher Intelligenz der beste Weg in die Zukunft. Schließlich wird diese Partnerschaft die Heilungschancen für unzählige Patienten weltweit drastisch verbessern.
📚 Evidenz & Quellen
Dieser Artikel basiert auf aktuellen Standards. Für Fachinformationen verweisen wir auf:
🧬 Wissenschaftliche Literatur
Vertiefende Recherche in aktuellen Datenbanken:
Dieser Artikel dient ausschließlich der neutralen Information. Er ersetzt keinesfalls die fachliche Beratung durch einen Arzt. Keine Heilversprechen.