Erkrankungen des muskuloskelettalen Systems zählen weltweit zu den häufigsten Ursachen für körperliche Einschränkungen und Schmerzen und beeinträchtigen sowohl die Lebensqualität der Patientinnen und Patienten als auch die Gesundheitssysteme erheblich. Die frühzeitige und präzise Erkennung von Knochenläsionen – verursacht durch Metastasen, primäre Knochentumoren oder degenerative Erkrankungen – ist entscheidend für eine optimale Behandlung. Aufgrund ihrer Komplexität führen Fehldiagnosen und Verzögerungen jedoch häufig zu verspäteter Therapie und reduzierter Überlebensrate. Diese Machbarkeitsstudie verfolgt zwei Hauptziele: 1) die zuverlässige Detektion und Klassifikation von Knochenläsionen mittels eines multimodalen Machine-Learning-Ansatzes, der Bildgebung, klinische Daten und textbasierte Informationen kombiniert, sowie 2) die Bewertung des individuellen Beitrags jeder Datenmodalität zur Gesamtleistung des Modells. Die monozentrisch durchgeführte Studie basiert auf histopathologisch gesicherten Datensätzen zur Entwicklung und Validierung entsprechender ML-Modelle. Das Projekt bildet den Auftakt zu einer langfristig angelegten Initiative für strukturierte, automatisierte Diagnoseverfahren für Knochensarkome. In den Folgephasen sollen multizentrische, multimodale Datensätze aufgebaut, Klassifikationssysteme analysiert und ML-Modelle zur automatisierten Bildauswertung entwickelt werden. Perspektivisch sollen ML-basierte Klassifikationserklärungen in klinische Workflows integriert und durch den Einsatz von Natural Language Processing (NLP) die interdisziplinäre Kommunikation verbessert werden. Die vorliegende Machbarkeitsstudie schafft die Basis für weiterführende Studien und eine spätere Implementierung in radiologische Entscheidungsunterstützungssysteme.