Scaling Expertise in Endometriosis Diagnosis: Can Artificial Intelligence Close the Gap?

Ultraschall in Med 2026; 47: 325 –333 DOI 10.1055/a-2876-6072 ISSN 0172-4614 © 2026. Thieme. All rights reserved. Georg Thieme Verlag KG, Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany The paradigm shift from laparoscopy to transvaginal sonography for diagnosis With its 2022 guideline on the diagnosis of endometriosis, the Eu- ropean Society of Human Reproduction and Embryology (ESHRE) initiated a fundamental change in diagnostic strategy [1]. Trans- vaginal sonography (TVS) was established as the primary imaging modality, replacing diagnostic laparoscopy for this purpose. This recommendation has since been adopted by numerous national and international societies, i ncluding DEGUM, SGUM, ÖGUM, FIGO, ACOG, SOGC, RANZCOG. In clinical practice, this means a significant upgrade for TVS but also creates greater responsibility for both trainers and trainees [2]. Are we prepared for this change? Are we prepared for this major change? Probably not, even 4 years after the guideline was published. Surely, the complexity of the matter and the related enormous time expenditure for learning, training, and applying, even more when case volume is limited, are some of the main reasons [3 –5]. However, the fundamental question of optimal medical care remains unanswered: How can expert-level competence in endometriosis diagnosis be applied from the first examination onward when patients with typical symptoms, gynecologists, and ultrasound systems come to- gether? How to reach competence in endometriosis diagnosis more rapidly? DEGUM, ÖGUM, and SGUM present a 2-step concept for TVS, dis- tinguishing a standardized basic examination from an advanced expert examination [6, 7]. The aim is to ensure the broad availabil- ity of high-quality baseline diagnostics while enabling targeted re- ferrals of patients with complex clinical questions to specialized ultrasound expertise. Within the 2-step concept, endometriosis diagnosis is considered a typical indication for expert-level TVS. The recently updated S2k-AWMF Guideline on Endometriosis Diagnosis and Treatment [8] provides comprehensive guidance on how to address this disease optimally. Efforts to give endome- triosis a face and a shape continue unabated [9]. Indeed, endometriosis imposes s ubstantially higher require- ments on examination techniques than routine TVS. Conventional TVS aims to acquire a series of static, optimally exposed B-mode images depicting key anatomical structures ( exposure ), which are subsequently interpreted by the examiners ( pattern recogni- tion) and summarized in a differentiated report ( reporting). By its nature, TVS provides only insight into limited scanning areas (LSAs), capturing small regions adjacent to the tip of the probe. Optimal exposure remains the primary objective, even at the cost of high deformation, displacement, or shrinking the LSA. In- tegrating these LSAs into a coherent 3 D representation of the true pelvis ( stitching) constitutes a major cognitive challenge – but is essential for comprehensive diagnosis. However, endometriosis diagnosis requires identifying pre- viously unknown or poorly characterized structures and highly variable pathological patterns through a distinctly dynamic exam- Markus Hoopmann Michael Bajka Editorial 325Bajka M et al. Scaling Expertise in … Ultraschall in Med 2026; 47: 325 –333 | © 2026. Thieme. All rights reserved. This document was downloaded for personal use only. Unauthorized distribution is strictly prohibited. Article published online: 2026-08-11 ination. Organ mobility and physiological sliding must be continu- ously assessed in addition to pattern recognition and be correlat- ed with tenderness and pain during the examination. Particular attention is directed toward peritoneal sliding, both for anatomi- cal orientation and for lesion and adhesion detection. Acquiring endometriosis-specific expertise requires intense exposure, re- sulting in a significant learning curve [10, 11]. Training estimates suggest that comprehensive endometriosis diagnostics require several days of focused teaching and training annually, combined with a substantial continuous case load. In pract ice, such require- ments are rarely feasible. Ethical and organizational constraints further limit hands-on training opportunities in TVS, resulting in persistent educational gaps. Therefore, endometriosis diagnosis may be regarded as one of the most demanding applications of TVS, perhaps even its “master class ”. Are guidelines and standards available, and are they implemented? The introduction of the IDEA consensus in 2016 provided the first structured, evidence-based framework for sonographic diagnosis of endometriosis [12]. Validation studies demonstrated excellent diagnostic performance [13 –17]. Subsequent addenda extended and clarified the anatomic struc tures to be assessed [18, 19]. Nevertheless, many users perceived the classification of endome- triotic lesions as too complex and time-consuming, which limited its perceived clinical relevance [ 20]. In response, new guidelines emerged offering simplified and stratified diagnostic pathways adapted to the examiner ’se x p e r t i s e[ 2 1–23]. In 2024, the Swiss Society for Ultrasound in Medicine (SGUM) published a land- mark-based standard [24]. This approach emphasizes probe navi- gation and the systematic assessment of 35 sonographically de- fined structures in a cookbook-like procedure across 5 easily reproducible compartments. It aims to optimize exposure, sup- port structured lesion mapping, facilitate #ENZIAN classification [25], and improve therapeutic planning. Despite these efforts, none of the existing standards has yet achieved widespread imple- mentation. Are we making progress in assessing the true pelvis? While dissemination of a uniform procedure is essential, examina- tion techniques must also continue to evolve. This includes the systematic exploration and didactic definition of anatomical re- gions [26] that are not yet taught. One such region, recently addressed, is the pelvic sidewall. Szabo et al. presented a differentiated approach to visualize this region [27], placing the piriformis muscle in its center. By estab- lishing additional well-define d, highly reproducible ultrasound landmarks, this previously underexplored area can also be approa- ched by less experienced sonographers. To facilitate access to the piriformis muscle, we propose starting the examination by provid- ing an overview ( zoom out) of the osseous boundaries of the pel- vic inlet, the pelvic brim ( ▶ Fig. 1), which largely correspond to the linea arcuata ( ▶ Video 1). In the supine patient, this landmark lies in a transverse plane that descends steeply, at an angle of up to 30° relative to the horizontal plane ( ▶ Fig. 1). The wide field allows visualization of the pelvic brim as a closed, bright, echogenic arc encompassing all pelvic structures. Then, the way to the piriformis muscle demands focusing on the nearfield ( zoom in) and follow- ing the cardinal ligament (laterally to the uterus) downwards, still in the transverse plane, gentle tilting of the probe outward reveals the highly echogenic, band-shaped sacrouterine ligament just be- hind the vaginal wall ( ▶ Video 2 ). Then, advancing the probe along its axis directly leads to the central landmark of the pelvic sidewall, the piriformis muscle. Appropriate probe rotation aligns the muscle fibers, if necessary, which typically course nearly hori- zontally. This is our preferred approach to the starting position for investigating the pelvic sidewall. sacral promontory margin of the sacral ala arcuate line pectineal line pubic crest horizon a b ▶ Fig. 1 326 Bajka M et al. Scaling Expertise in … Ultraschall in Med 2026; 47: 325 –333 | © 2026. Thieme. All rights reserved. Editorial This document was downloaded for personal use only. Unauthorized distribution is strictly prohibited. What is the goal, and how can it be reached? The overall goal is to provide consistent, expert-level endometrio- sis diagnostics at every examination, independent of examiner ex- perience and ideally from the first patient onward. Achieving this requires precise landmark-based navigation through all pelvic LSAs, dynamic assessment, and pattern recognition, supported by extensive anatomical and endometriosis-specific knowledge and experience. Whether this goal can be achieved solely with es- tablished learning and training methods is doubtful. W h a ti st h er o l eo fa r t i f i c i a li n t e l l i g e n c e ? Following earlier limitations, artificial intelligence (AI) has now un- doubtedly become mainstream and has found its way into our ev- eryday lives. AI has demonstrated robust performance in medical imaging [28]. However, successful model training depends criti- cally on the availability of large, well-prepared, high-quality data- sets [29]. Relying on hundreds of thousands of examples, deep learning models have achieved expert-level accuracy across sever- al healthcare domains, sometimes even outperforming experts. For example in retinal diagnostics, Poplin et al. [30] found that AI can extract data from an image dataset that is not visible to the human eye and is not primarily related to imaging, such as gen- der, age, and blood pressure. This finding illustrates a broader transition from rule-based image interpretation toward probabil- istic, reproducible, population-based, and increasingly predictive analysis. The rapid expansion of AI in medical imaging is also reflected in economic data [31]. AI has led to a veritable flood of spin-offs. Since 2015, 182 AI software providers h ave raised around $5 billion in start-up capital, which accounts for about 65 % of total VC invest- ment in the health technology sector [32]. The trend is rising. Unfortunately, the current evidence for AI in clinical applica- tions is still limited and of variable quality [33, 34], and in endo- metriosis, it is almost nonexistent. Currently, most studies on AI and endometriosis rely on ultrasound data and predominantly use TVS, while MRI-based research remains limited and primarily focuses on disease diagnosis and segmentation [35 –37]. These studies are characterized by small, retrospective, single-center co- horts, limited generalizability, and a lack of standardized ground truth. Overall, AI applications in endometriosis imaging are still in an early stage, underscoring the need for larger, standardized, and methodologically robust studies to develop reliable, generalizable models [35]. How could AI support TVS in clinical practice? Nevertheless, we believe AI has the potential to dramatically change the diagnosis of endometriosis. An Australian spin-off ex- plores a multimodal approach combining TVS, MRI, and clinical data to improve the final diagnosis [38], while a Swiss spin-off fo- cuses on supporting TVS examinations in real time [39]. In the lat- ter, AI provides clinical examiners with continuous, workflow-em- bedded support independent of individual expertise. Anatomical guidance, exposure optimization, and standard procedure checks for completeness are continuousl yp r o v i d e dt h r o u g hr e a l - t i m e pattern recognition, presented on the original monitor as colored overlays ( ▶ Video 3 –5). Moreover, a complete 3-dimensional re- presentation of the true pelvis built from 2 D TVS images during the examination appears increasingly within reach, opening the possibility of more comprehensive AI-based analysis. Indeed, AI can provide access to a large body of expert knowl- edge, not only to address the final diagnosis but also to condense and present it in each frame of the real-time examination, thereby helping to democratize expert ultrasound diagnosis and support examiners throughout the learning curve. A dramatic change in TVS education could be the result, over- coming the serious limitations of conventional hands-on training involving human subjects. After a basic course in gynecologic ul- trasound, including practical skills teaching, trainees could pro- ceed directly to real examinations in real patients, with AI provid- ing continuous guidance and supervision. OP-VIDEO ▶ Video 1 Landmark Pelvic brim OP-VIDEO ▶ Video 2 Landmark M. piriformis 327Bajka M et al. Scaling Expertise in … Ultraschall in Med 2026; 47: 325 –333 | © 2026. Thieme. All rights reserved. This document was downloaded for personal use only. Unauthorized distribution is strictly prohibited. Outlook AI-based ultrasound solutions may even exceed current expecta- tions and may one day outperform the experts. What is clear, however, is that we are only at the beginning of a transformation that may fundamentally change how endometriosis ultrasound is taught, performed, and interpreted. This raises the hope that a sophisticated endometriosis diagnosis including disease mapping will be possible during the initial consultation, thereby reducing patients’ suffering by many years. Der Paradigmenwechsel von der Laparoskopie zur transvaginalen Sonografie in der Diagnostik Mit ihren Leitlinien zur Diagnose der Endometriose aus dem Jahr 2022 leitete die Europäische Gesellschaft für Reproduktionsmedi- zin und Embryologie (ESHRE) einen grundlegenden Wandel in der Diagnosestrategie ein [1]. Die transvaginale Sonografie (TVS) hat sich als primäres bildgebendes Verfahren etabliert und ersetzt zu diesem Zweck die diagnostische Laparoskopie. Diese Empfehlung wurde inzwischen von zahlreichen nationalen und internationalen Fachgesellschaften übernommen, darunter die DEGUM, SGUM, ÖGUM, FIGO, ACOG, SOGC und RANZCOG. In der klinischen Praxis bedeutet dies eine erhebliche Aufwertung der TVS, bringt aber auch eine größere Verantwortung, sowohl für die Ausbilder als auch für die Auszubildenden mit sich [2]. Sind wir auf diese Veränderung vorbereitet? Sind wir auf diese bedeutende Veränderung vorbereitet? Wahr- scheinlich nicht, selbst 4 Jahre nach Veröffentlichung der Leitlinie. Sicherlich sind die Komplexität der Materie und der damit verbun- dene enorme Zeitaufwand für das Lernen, das Training und die An- wendung – umso mehr, wenn das Fallvolumen begrenzt ist – einige der Hauptgründe dafür [3 –5]. Die grundlegende Frage nach der op- timalen medizinischen Versorgung bleibt jedoch unbeantwortet: Wie lässt sich fachärztliche Kompetenz bei der Diagnose der En- dometriose bereits ab der ersten Untersuchung umsetzen, wenn Patientinnen mit typischen Symptomen, Gynäkologen und Ultra- schallsysteme aufeinandertreffen? Wie lässt sich schneller eine Kompetenz in der Endometriose-Diagnostik erlangen? DEGUM, ÖGUM und SGUM stellen ein 2-stufiges Konzept für die TVS vor, bei dem zwischen einer standardisierten Basis-Untersu- chung und einer vertiefenden fachärztlichen Untersuchung unter- schieden wird [6, 7]. Ziel ist es, eine breite Verfügbarkeit hochwer- tiger Basisdiagnostik sicherzustellen und gleichzeitig eine gezielte Überweisung von Patientinnen mit komplexen klinischen Frage- stellungen an spezialisierte Ultraschall-Fachkräfte zu ermöglichen. Im Rahmen des 2-stufigen Konzepts gilt die Diagnose einer Endo- metriose als typische Indikation für eine TVS-Untersuchung durch einen Spezialisten. Die kürzlich aktualisierte S2k-AWMF-Leitlinie zur Diagnose und Behandlung der Endometriose [8] bietet umfassende Anleitungen für einen optimalen Umgang mit dieser Erkrankung. Die Bemü- hungen, der Endometriose ein Gesicht und eine Gestalt zu geben, gehen unvermindert weiter [9]. OP-VIDEO ▶ Video 4 AI prediction of DE of the bowel OP-VIDEO ▶ Video 5 AI prediction of DE of an endometrioma OP-VIDEO ▶ Video 3 AI prediction of DE at the retrocervix 328 Bajka M et al. Scaling Expertise in … Ultraschall in Med 2026; 47: 325 –333 | © 2026. Thieme. All rights reserved. Editorial This document was downloaded for personal use only. Unauthorized distribution is strictly prohibited. Tatsächlich stellt die Endometriose wesentlich höhere Anforder- ungen an die Untersuchungstechniken als die routinemäßige TVS. Bei der konventionellen TVS geht es darum, eine Reihe statischer, optimal eingestellter B-Mode-Bilder zu erstellen, die wichtige ana- tomische Strukturen darstellen ( Exposure), die anschließend von den Untersuchenden ausgewertet ( Pattern recognition ) und in einem differenzierten Befundbericht zusammengefasst werden (Reporting ). Von Natur aus liefert die TVS nur Einblicke in be- grenzte Abtastbereiche ( LSA) und erfasst dabei kleine Bereiche in unmittelbarer Nähe der Sondenspitze. Eine optimale Darstellung bleibt das vorrangige Ziel, selbst wenn dies hohe Verformungen, Verschiebungen oder eine Verkleinerung des LSA zur Folge hat. Die Integration dieser LSA in eine zusammenhängende 3D-Darstel- lung des tatsächlichen Beckens ( Stitching) stellt eine große kogni- tive Herausforderung dar – ist jedoch für eine umfassende Dia- gnose unerlässlich. Die Diagnose der Endometriose erfordert jedoch die Identifi- zierung bisher unbekannter oder nur unzureichend charakterisier- ter Strukturen sowie stark variierender pathologischer Muster im Rahmen einer ausgesprochen dynamischen Untersuchung. Ne- ben der Pattern recognition müssen auch die Beweglichkeit der Organe und das physiologische Gleiten kontinuierlich beurteilt und mit Druckempfindlichkeit und Schmerzen während der Un- tersuchung in Zusammenhang gebracht werden. Besonderes Au- genmerk wird auf das Gleiten des Peritoneums gelegt, sowohl zur anatomischen Orientierung als auch zur Erkennung von Läsionen und Verwachsungen. Der Erwerb von Fachwissen im Bereich der Endometriose erfordert intensive praktische Erfahrung, was mit einem erheblichen Lernaufwand verbunden ist [10, 11]. Ausbil- dungsschätzungen deuten darauf hin, dass eine umfassende Endometriose-Diagnostik jährlich mehrere Tage gezielter Ausbil- dung und Schulung erfordert, verbunden mit einer beträchtlichen kontinuierlichen Fallzahl. In der Praxis sind solche Anforderungen jedoch selten umsetzbar. Ethisc he und organisatorische Zwänge schränken die Möglichkeiten für praktische Übungen im Bereich der TVS zusätzlich ein, was zu anhaltenden Bildungslücken führt. Daher kann die Diagnose der Endometriose als eine der an- spruchsvollsten Anwendungen der TVS angesehen werden, viel- leicht sogar als deren „Meisterklasse “. Gibt es Richtlinien und Standards, und werden diese umgesetzt? Die Einführung des IDEA-Konsensus im Jahr 2016 schuf den ersten strukturierten, evidenzbasierten Rahmen für die sonografische Diagnose der Endometriose [12]. Validierungsstudien belegten eine hervorragende diagnostische Leistungsfähigkeit [13 –17]. In späteren Ergänzungen wurden die zu beurteilenden anatomi- schen Strukturen erweitert und präzisiert [18, 19]. Dennoch emp- fanden viele Anwender die Klassi fizierung endometriotischer Läsionen als zu komplex und zeitaufwendig, was ihre wahrgenom- mene klinische Relevanz einsc hränkte [20]. Daraufhin wurden neue Leitlinien entwickelt, die vereinfachte und abgestufte Dia- gnosepfade vorsehen, die an die Fachkenntnisse des/der Unter- suchenden angepasst sind [21 –23]. Im Jahr 2024 veröffentlichte die Schweizerische Gesellschaft für Ultraschall in der Medizin (SGUM) einen auf Orientierungspunkten basierenden Standard [24]. Dieser Ansatz legt den Schwerpunkt auf die Sondenführung und die systematische Beurteilung von 35 sonografisch definier- t e nS t r u k t u r e ni mR a h m e ne i n e sr e z e p t a r t i g e nV e r f a h r e n s ,d a s sich über 5 leicht reproduzierbare Kompartimente erstreckt. Es zielt darauf ab, die Bilddarstellung zu optimieren, die strukturierte Kartierung von Läsionen zu unterstützen, die #ENZIAN-Klassifi- zierung [25] zu erleichtern und die Therapie-Planung zu verbes- sern. Trotz dieser Bemühungen hat bisher noch keiner der beste- henden Standards eine breite Anwendung gefunden. Machen wir Fortschritte bei der Beurteilung des kleinen Beckens? Zwar ist die Einführung eines einheitlichen Verfahrens unerläss- lich, doch müssen sich auch die Untersuchungsmethoden weiter- entwickeln. Dazu gehören die systematische Erforschung und eine didaktische Definition anatomischer Regionen [26], die bis- lang noch nicht gelehrt werden. Eine solche Region, die kürzlich behandelt wurde, ist die Be- ckenwand. Szabo et al. stellten einen differenzierten Ansatz zur Darstellung dieses Bereichs vor [27], bei dem der Piriformis-Musk- el im Mittelpunkt stand. Durch die Festlegung zusätzlicher, klar definierter und gut reproduzierbarer Ultraschall-Orientierung- spunkte kann dieser bislang wenig erforschte Bereich auch von weniger erfahrenen Ultraschall-Technikerinnen und -Technikern untersucht werden. Um den Zugang zum Piriformis-Muskel zu er- leichtern, empfehlen wir, die Untersuchung mit einem Überblick (Zoom-out) über die knöchernen Begrenzungen des Beckenein- gangs, den Beckenrand ( ▶ Abb. 1), zu beginnen, die weitgehend der Linea arcuata entsprechen ( ▶ Video 1 ). Bei einer Patientin in Rückenlage liegt dieser Orientierungspunkt in einer Querebene, die steil nach unten verläuft und einen Winkel von bis zu 30° zur Horizontalebene bildet ( ▶ Abb. 1). Das weite Sichtfeld ermöglicht die Darstellung des Beckenrandes als geschlossenen, hellen, echogenen Bogen, der alle Beckenstrukturen umschließt. Um zum Piriformis-Muskel zu gelangen, muss man den Blick auf das Nahfeld richten ( Zoom-in) und dem Ligamentum cardinale (seit- lich der Gebärmutter) nach unten folgen, wobei man in der Trans- versalebene bleibt; durch leichtes Neigen der Sonde nach außen wird das stark echogene, bandfö rmige Ligamentum sacrouteri- num direkt hinter der Scheidenwand sichtbar ( ▶ Video 2 ). Wenn man die Sonde nun entlang ihrer Achse vorschiebt, gelangt man direkt zum zentralen Orientierungspunkt der Beckenwand, dem Piriformis-Muskel. Durch eine angemessene Drehung der Sonde werden – sofern erforderlich – die Muskelfasern ausgerichtet, die in der Regel nahezu horizontal verlaufen. Dies ist unser bevorzug- ter Ansatz zur Erfassung der Ausgangsposition bei der Unter- suchung der Be ckenwand. 329Bajka M et al. Scaling Expertise in … Ultraschall in Med 2026; 47: 325 –333 | © 2026. Thieme. All rights reserved. This document was downloaded for personal use only. Unauthorized distribution is strictly prohibited. Was ist das Ziel, und wie lässt es sich erreichen? Das übergeordnete Ziel besteh t darin, bei jeder Untersuchung eine einheitliche, fachkundige Endometriose-Diagnostik zu ge- währleisten, unabhängig von der Erfahrung des/der Untersuchen- den und im Idealfall bereits ab der ersten Patientin. Um dies zu er- reichen, sind eine präzise, an Orientierungspunkten ausgerichtete Navigation durch alle LSA des Beckens, eine dynamische Beurtei- lung sowie Pattern recognition erforderlich, gestützt auf umfas- sende anatomische und Endometr iose-spezifische Kenntnisse und Erfahrungen. Es ist fraglich, ob dieses Ziel allein mit etablier- ten Lern- und Ausbildungsmethoden erreicht werden kann. Welche Rolle spielt Künstliche Intelligenz? Nach anfänglichen Einschränku ngen hat sich Künstliche Intelli- genz (KI) mittlerweile zweifellos etabliert und ist aus unserem All- tag nicht mehr wegzudenken. KI hat in der medizinischen Bildge- bung eine solide Leistungsfähigkeit unter Beweis gestellt [28]. Ein erfolgreiches Modelltraining hängt jedoch entscheidend von der Verfügbarkeit umfangreicher, gut aufbereiteter und qualitativ hochwertiger Datensätze ab [29]. Auf der Grundlage von Hun- derttausenden von Beispielen haben Deep-Learning-Modelle in verschiedenen Bereichen des Gesundheitswesens eine Genauig- keit auf Expertenniveau erreicht und übertreffen dieses manch- mal sogar. So haben beispielsweise Poplin et al. [30] im Bereich der Netzhaut-Diagnostik festgestellt, dass KI aus einem Bilddaten- satz Daten extrahieren kann, die für das menschliche Auge nicht sichtbar sind und nicht in erster Linie mit der Bildgebung zusam- menhängen, wie beispielsweise Geschlecht, Alter und Blutdruck. Diese Erkenntnis verdeutlicht einen allgemeinen Wandel von der regelbasierten Bildauswertung hin zu einer probabilistischen, re- produzierbaren, populationsbasierten und zunehmend prädikti- ven Analyse. Die rasante Verbreitung von KI in der medizinischen Bildge- bung spiegelt sich auch in den Wirtschaftsdaten wider [31]. Die KI hat zu einer wahren Flut von Ablegern geführt: Seit 2015 haben 182 Anbieter von KI-Software rund 5 Milliarden US-Dollar an Start- sacral promontory margin of the sacral ala arcuate line pectineal line pubic crest horizon a b ▶ Abb. 1 OP-VIDEO ▶ Video 1 Orientierungspunkt: Beckenrand OP-VIDEO ▶ Video 2 Orientierungspunkt: M. piriformis 330 Bajka M et al. Scaling Expertise in … Ultraschall in Med 2026; 47: 325 –333 | © 2026. Thieme. All rights reserved. Editorial This document was downloaded for personal use only. Unauthorized distribution is strictly prohibited. kapital eingeworben, was etwa 65 % der gesamten Risikokapital- Investitionen im Bereich der Gesundheitstechnologie ausmacht [32]. Der Trend ist steigend. Leider sind die derzeitigen Erkenntnisse über den Einsatz von KI in klinischen Anwendungen noch b egrenzt und von unterschied- licher Qualität [33, 34], und im Bereich der Endometriose fehlen sie fast gänzlich. Derzeit stützen sich die meisten Studien zu KI und Endometriose auf Ultraschalldaten und nutzen vorwiegend die TVS, während die MRT-basierte Forschung nach wie vor begrenzt ist und sich in erster Linie auf die Diagnose und Segmentierung der Erkrankung konzentriert [35 –37]. Diese Studien zeichnen sich durch kleine, retrospektive, an einem einzigen Zentrum durchge- führte Kohorten, eine begrenzte Übertragbarkeit und das Fehlen standardisierter Referenzdaten aus. Insgesamt befinden sich KI-An- wendungen in der Bildgebung bei Endometriose noch in einem frü- hen Stadium, was die Notwendigkeit größerer, standardisierter und methodisch fundierter Studien unterstreicht, um zuverlässige, gen- eralisierbare Modelle zu entwickeln [35]. Wie könnte KI die TVS in der klinischen Praxis unterstützen? Dennoch sind wir der Ansicht, dass KI das Potenzial hat, die Dia- gnose der Endometriose grundlegend zu verändern. Ein australis- ches Spinoff erforscht einen multimodalen Ansatz, bei dem TVS, MRT und klinische Daten kombiniert werden, um die endgültige Diagnose zu verbessern [38], während sich ein Schweizer Spinoff auf die Unterstützung von TVS-Untersuchungen in Echtzeit kon- zentriert [39]. Im letzteren Fall bietet die KI den klinischen Unter- suchenden eine kontinuierliche, in den Arbeitsablauf integrierte Unterstützung, die unabhängig von der individuellen Fachkompe- tenz ist. Anatomische Führung, Optimierung der Bilddarstellung und Standardkontrollen zur Überprüfung der Vollständigkeit des Verfahrens werden durch Echtzeit-Pattern recognition kontinuier- lich bereitgestellt und auf dem Originalmonitor als farbige Über- lagerungen dargestellt ( ▶ Video 3–5). Zudem rückt eine vollstän- dige 3-dimensionale Darstellung des kleinen Beckens, die während der Untersuchung aus 2D-TVS-Bildern erstellt wird, im- mer mehr in greifbare Nähe, was die Möglichkeit einer umfassen- deren KI-basierten Analyse eröffnet. Tatsächlich kann eine KI somit Zugang zu einem umfangrei- chen Fachwissen bieten, nicht nur zur Erstellung der endgültigen Diagnose, sondern auch, um dieses Wissen in jedem Einzelbild der Echtzeit-Untersuchung zusammenzufassen und darzustellen. Auf diese Weise trägt sie dazu bei, die fachliche Ultraschall-Diagnostik zu demokratisieren und die Untersuchenden während ihrer ge- samten Lernphase zu unterstützen. Dies könnte zu einem grundlegenden Wandel in der TVS-Aus- bildung führen und die gravierenden Einschränkungen herkömm- licher praktischer Schulungen mit menschlichen Probanden über- winden. Nach einem Grundkurs im gynäkologischen Ultraschall, der auch praktische Übungen umfasst, könnten die Auszubilden- den direkt mit echten Untersuchungen, an echten Patientinnen beginnen, wobei sie durch die KI kontinuierlich angeleitet und beaufsichtigt würden. Ausblick KI-gestützte Ultraschall-Lösungen könnten sogar die derzeitigen Erwartungen übertreffen und eines Tages die Experten überflü- geln. Klar ist jedoch, dass wir erst am Anfang eines Wandels ste- hen, der die Art und Weise, wie Ultraschall-Untersuchungen bei OP-VIDEO ▶ Video 4 KI-Prognose einer DE im Darm OP-VIDEO ▶ Video 5 KI-Prognose einer DE eines Endometrioms OP-VIDEO ▶ Video 3 KI-Prognose einer DE an der Retrocervix> 331Bajka M et al. Scaling Expertise in … Ultraschall in Med 2026; 47: 325 –333 | © 2026. Thieme. All rights reserved. This document was downloaded for personal use only. Unauthorized distribution is strictly prohibited. Endometriose gelehrt, durchgeführt und ausgewertet werden, grundlegend verändern könnte. Dies weckt die Hoffnung, dass bereits beim Erstgespräch eine differenzierte Endometriose-Dia- gnose, einschließlich einer Kar tierung der Erkrankung, möglich sein wird, wodurch das Leiden d er Patientinnen um viele Jahre verkürzt werden könnte. Conflict of Interest Michael Bajka is Co-founder and Co-Owner of VirtaMed AG, Schlieren, Schweiz; Co-Founder and Co-Owner von Scanvio Medical AG, Zürich, Schweiz.

[1] Becker CM, Bokor A, Heikinheimo O. ESHRE Endometriosis Guideline Group et al. ESHRE guideline: endometriosis. Hum Reprod Open 2022; 2022 (2): hoac009. doi:10.1093/hropen/hoac009 [2] Avery JC, Fragkoudi A, Deslandes A. FIGO Committee on Reproductive Medicine, Endocrinology, and Infertility et al. Global trends in the uptake of specialist diagnostic ultrasound and MRI scans for endometriosis: An international cross-sectional survey. Int J Gynaecol Obstet 2026; 172 (1): 11–24. doi:10.1002/ijgo.70666 [3] Leonardi M, Condous G. How to perform an ultrasound to diagnose endometriosis. Australas J Ultrasound Med 2018; 21 (2): 61 –69. doi:10.1002/ajum.12093 [4] Scioscia M, Virgilio BA, Laganà AS et al. Differential Diagnosis of Endo- metriosis by Ultrasound: A Rising Challenge. Diagnostics (Basel) 2020; 10 (10): 848. doi:10.3390/diagnostics10100848 [5] Pascoal E, Wessels JM, Aas-Eng MK et al. Strengths and limitations of diagnostic tools for endometriosis and relevance in diagnostic test accuracy research. Ultrasound Obstet Gynecol 2022; 60 (3): 309 –327. doi:10.1002/uog.24892 [6] Grab D, Merz E, Eichhorn KH et al. Basic Gynecologic Ultrasound Exami- nation (Level I): DEGUM, ÖGUM, and SGUM Recommendations. Ultra- schall Med 2023; 44 (2): 151 –161. doi:10.1055/a-1851-5157 [7] Hoopmann M, Tutschek B, Merz E et al. Quality Requirements for gyne- cological ultrasound examinations of DEGUM level II – Recommenda- tions of the Sections/Working Groups Gynecology and Obstetrics of DE- GUM, ÖGUM and SGUM. Ultraschall Med 2022; 43 (2): 146 –158. doi:10.1055/a-1663-6322 [8] Burghaus S, Schäfer SD, Bär KJ et al. Diagnosis and Therapy of Endome- triosis. Guideline of the DGGG, OEGGG and SGGG (S2k-Level, AWMF Registry No. 015/045, April 2025). Geburtshilfe Frauenheilkd 2026; 86 (2): 133 –188. doi:10.1055/a-2760-4867 [9] Keckstein J, Hoopmann M. Endometriosis, ultrasound and #Enzian clas- sification: the need for a common language for non-invasive diagnostics. Ultraschall Med 2023; 44 (3): 233 –239. doi:10.1055/a-2055-6712 [10] Guerriero S, Pascual MA, Ajossa S et al. Learning curve for ultrasono- graphic diagnosis of deep infiltrating endometriosis using structured offline training program. Ultrasound Obstet Gynecol 2019; 54 (2): 262 – 269. doi:10.1002/uog.20176 [11] Indrielle-Kelly T, Fischerova D, Hanu š P et al. Early Learning Curve in the Assessment of Deep Pelvic Endometriosis for Ultrasound and Magnetic Resonance Imaging. Biomed Res Int 2020; 2020: 8757281. doi:10.1155/ 2020/8757281 [12] Guerriero S, Condous G, van den Bosch T et al. Systematic approach to sonographic evaluation of the pelvis in women with suspected endo- metriosis, including terms, definitions and measurements: a consensus opinion from the International Deep Endometriosis Analysis (IDEA) group. Ultrasound Obstet Gynecol 2016; 48 (3): 318 –332. doi:10.1002/ uog.15955 [13] Indrielle-Kelly T, Frühauf F, Fanta M et al. Diagnostic Accuracy of Ultra- sound and MRI in the Mapping of Deep Pelvic Endometriosis Using the International Deep Endometriosis Analysis (IDEA) Consensus. Biomed Res Int 2020; 2020: 3583989. doi:10.1155/2020/3583989 [14] Piessens S, Edwards A. Sonographic Evaluation for Endometriosis in Routine Pelvic Ultrasound. J Minim I nvasive Gynecol 2020; 27 (2): 265 – 266. doi:10.1016/j.jmig.2019.08.027 [15] Mick I, Freger SM, Marien M et al. Diagnostic Accuracy of Transvaginal Ultrasonography for Endometriosis According to the International Deep Endometriosis Analysis Consensus. O G Open 2025; 2 (1): e061. doi:10.1097/og9.0000000000000061 [16] Avery JC, Deslandes A, Freger SM et al. Noninvasive diagnostic imaging for endometriosis part 1: a systematic review of recent developments in ultrasound, combination imaging, and artificial intelligence. Fertil Steril 2024; 121 (2): 164 –188. doi:10.1016/j.fertnstert.2023.12.008 [17] Avery JC, Knox S, Deslandes A. Imagendo Study Group et al. Noninvasive diagnostic imaging for endometriosis part 2: a systematic review of re- cent developments in magnetic resonance imaging, nuclear medicine and computed tomography. Fertil Steril 2024; 121 (2): 189 –211. doi:10.1016/j.fertnstert.2023.12.017 [18] Guerriero S, Condous G, Rolla M et al. Addendum to consensus opinion from International Deep Endometriosis Analysis (IDEA) group: sono- graphic evaluation of the parametrium. Ultrasound Obstet Gynecol 2024; 64 (2): 275 –280. doi:10.1002/uog.27558 [19] Guerriero S, Condous G, Rolla M et al. Addendum to consensus opinion from International Deep Endometriosis Analysis (IDEA) group: sono- graphic evaluation of superficial endometriosis. Ultrasound Obstet Gynecol 2025; 66 (4): 541 –547. doi:10.1002/uog.29288 [20] Zondervan KT, Missmer S, Abrao MS. International Working Group of AAGL, ESGE, ESHRE and WES et al. Endometriosis classification systems: an international survey to map current knowledge and uptake. Hum Re- prod Open 2022; 2022 (1): hoac002. doi:10.1093/hropen/hoac002 [21] Young SW, Jha P, Chamié L et al. Society of Radiologists in Ultrasound Consensus on Routine Pelvic US for Endometriosis. Radiology 2024; 311 (1): e232191. doi:10.1148/radiol.232191 [22] Deslandes A, Leonardi M. Proposed simplified protocol for initial assess- ment of endometriosis with transvaginal ultrasound. Ultrasound Obstet Gynecol 2025; 65 (2): 142 –146. doi:10.1002/uog.29115 [23] British Medical Ultrasound Society (BMUS), and British Society for Gy- naecological Endoscopy (BSGE). (2026). BMUS/BSGE guidance for ultra- sound assessment of endometriosis. Publisher/Organization. [24] Metzler JM, Finger L, Burkhardt T et al. Systematic, noninvasive endo- metriosis diagnosis in transvaginal sonography by the Swiss Society of Ultrasound in Medicine. Ultraschall Med 2024; 45 (4): 367 –388. doi:10.1055/a-2241 –5233 [25] Keckstein J, Saridogan E, Ulrich UA et al. The #Enzian classification: A comprehensive non-invasive and surgical description system for en- dometriosis. Acta Obstet Gynecol Scand 2021; 100 (7): 1165 –1175. doi:10.1111/aogs.14099 [26] Fischerova D, Culcasi C, Gatti E et al. Ultrasound assessment of the pelvic sidewall: methodological consensus opinion. Ultrasound Obstet Gynecol 2 0 2 5 ;6 5( 1 ) :9 4–105. doi:10.1002/uog.29122 [27] Szabó G, Bokor A, Fancsovits V et al. Standardized measurement of the piriformis muscle and the proximal portion of the sacral nerve roots using transvaginal ultrasound. Ultraschall Med 2026; 47 (1): 61 –67. doi:10.1055/a-2521-9321 [28] Litjens G, Kooi T, Bejnordi BE et al. A survey on deep learning in medical image analysis. Med Image Anal 2017; 42: 60 –88. doi:10.1016/j.media. 2017.07.005 [29] Deslandes A, Zhang Y, Leonardi M. IMAGENDO Team et al. The problem with the “truth”: rethinking ground truth for artificial intelligence in en- dometriosis diagnosis. Hum Reprod 2026: deag024. doi:10.1093/hum- rep/deag024 332 Bajka M et al. Scaling Expertise in … Ultraschall in Med 2026; 47: 325 –333 | © 2026. Thieme. All rights reserved. Editorial This document was downloaded for personal use only. Unauthorized distribution is strictly prohibited. [30] Poplin R, Varadarajan AV, Blumer K et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nat Biomed Eng 2018; 2 (3): 158 –164. doi:10.1038/s41551-018-0195-0 [31] Europe ’s Digital Health Bo om in 2025, DayOne Swiss Report, October 1, 2025. [32] Parekh and Baker 2023. Accessed March 03, 2026 at: https://www.linke din.com/pulse/investment-medical-imaging-ai-tops-5b-signify-re search/ [33] Liu X, Cruz Rivera S, Moher D et al. Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: the CONSORT- AI extension. Nat Med 2020; 26 (9): 1364 –1374. doi:10.1038/s41591- 020-1034-x [34] Van Calster B, Collins GS, Vickers AJ et al. Evaluation of performance measures in predictive artificial intelligence models to support medical decisions: overview and guidance. Lancet Digit Health 2025; 7 (12): 100916. doi:10.1016/j.landig.2025.100916 [35] Mittal S, Tong A, Young S et al. Artificial intelligence applications in en- dometriosis imaging. Abdom Radiol (NY) 2025; 50 (10): 4901 –4913. doi:10.1007/s00261-025-04897-w [36] AlSaad R, Farrell T, Elhenidy A et al. Artificial Intelligence in Endometrio- sis Imaging: A Scoping Review. AI 2026; 7 (2): 43. doi:10.3390/ ai7020043 [37] Esmailzadeh A, Rashki Kemmak A, Sezavar Dokhtfaroughi S et al. Inves- tigating the role of artificial intelligence in the diagnosis and prediction of endometriosis using ultrasound im ages: a systematic review. Reprod Health 2026; 23 (1): 31. doi:10.1186/s12978-025-02245-1 [38] IMAGENDO. https://imagendo.org.au/ [39] SCANVIO. https://www.scanvio.com/ 333Bajka M et al. Scaling Expertise in … Ultraschall in Med 2026; 47: 325 –333 | © 2026. Thieme. All rights reserved. This document was downloaded for personal use only. Unauthorized distribution is strictly prohibited.