Young Investigator Award 2025

erhält die Auszeichnung für seine Arbeit „Deep Learning basierte Quantifizierung von Lebervolumen und -fettgehalt aus der Dixon-MRT“. Mithilfe eines KI-gestützten Modells analysierte er MRT-Daten von über 66.000 Personen aus der NAKO und UK Biobank, um Referenzkurven für Lebervolumen und -fettanteil zu erstellen. Die Studie zeigte, dass ein hoher Lebervolumen-Z-Score sowie eine ausgeprägte Leberverfettung (steatotische Lebererkrankung, SLD) signifikant mit einem erhöhten Risiko für Diabetes, Lebererkrankungen und Gesamtmortalität assoziiert sind. Seine Forschung liefert wertvolle Grundlagen für die klinische Risikostratifizierung und für künftige Präventionsstrategien in der Hepatologie.

überzeugte mit ihrer Analyse „Zufallsbefunde in der HANSE-Lungenkrebsscreening-Studie“. In ihrer Auswertung von fast 10.000 Low-Dose-CTs an drei Standorten (Hannover, Lübeck, Großhansdorf) identifizierte sie Art und Häufigkeit sogenannter Zufallsbefunde (Incidental Findings, IFs). Ihre Ergebnisse zeigen, dass 0,3 % der gescreenten Personen invasive Maßnahmen aufgrund solcher IFs benötigten, darunter mehrere bösartige Tumoren. Kondrashova plädiert auf Basis ihrer Ergebnisse für eine gezielte Befundkommunikation: Nur klinisch relevante Zufallsbefunde sollten dokumentiert werden, um unnötige Folgeuntersuchungen und Kosten zu vermeiden.

Beide Arbeiten stehen beispielhaft für eine moderne, datenbasierte Radiologie, die klinische Relevanz, Präzision und Patientensicherheit verbindet – und zeigen eindrucksvoll das Potenzial der nächsten Generation radiologischer Forschung.