Skip to main content
Erschienen in: InFo Hämatologie + Onkologie 5/2024

17.05.2024 | Künstliche Intelligenz | Schwerpunkt

Schwerpunkt „KI in der Hämatologie und Onkologie“

KI in der Medizin: Begrifflichkeiten, Chancen und Risiken

verfasst von: Dr. med. Corinne Widmer

Erschienen in: InFo Hämatologie + Onkologie | Ausgabe 5/2024

Einloggen, um Zugang zu erhalten

Auszug

Dieser Beitrag bietet einen Überblick über zentrale Begriffe im Zusammenhang mit Künstlicher Intelligenz (KI) in der Medizin und liefert ausgewählte Beispiele für Anwendungsmöglichkeiten in der Hämatologie und Onkologie. Zudem beleuchtet der Artikel Herausforderungen und Chancen, die sich durch KI in der Medizin ergeben.
Literatur
1.
Zurück zum Zitat Kung TH et al. Performance of ChatGPT on USMLE: Potential for AI-assisted medical education using large language models. PLOS Digit Health. 2023;2(2):e0000198 Kung TH et al. Performance of ChatGPT on USMLE: Potential for AI-assisted medical education using large language models. PLOS Digit Health. 2023;2(2):e0000198
2.
Zurück zum Zitat Turing AM et al. Computing Machinery and Intelligence. Mind. 1950;LIX(236):433-60 Turing AM et al. Computing Machinery and Intelligence. Mind. 1950;LIX(236):433-60
3.
Zurück zum Zitat Jacobs C et al. Deep Learning for Lung Cancer Detection on Screening CT Scans: Results of a Large-Scale Public Competition and an Observer Study with 11 Radiologists. Radiol Artif Intell. 2021;3(6):e210027 Jacobs C et al. Deep Learning for Lung Cancer Detection on Screening CT Scans: Results of a Large-Scale Public Competition and an Observer Study with 11 Radiologists. Radiol Artif Intell. 2021;3(6):e210027
4.
Zurück zum Zitat McKinney SM et al. International evaluation of an AI system for breast cancer screening. Nature. 2020;577(7788):89-94 McKinney SM et al. International evaluation of an AI system for breast cancer screening. Nature. 2020;577(7788):89-94
5.
Zurück zum Zitat Tschandl P et al. Comparison of the accuracy of human readers versus machine-learning algorithms for pigmented skin lesion classification: an open, web-based, international, diagnostic study. The Lancet Oncology. 2019;20(7):938-47 Tschandl P et al. Comparison of the accuracy of human readers versus machine-learning algorithms for pigmented skin lesion classification: an open, web-based, international, diagnostic study. The Lancet Oncology. 2019;20(7):938-47
6.
Zurück zum Zitat Raumviboonsuk P et al. Deep learning versus human graders for classifying diabetic retinopathy severity in a nationwide screening program. NPJ Digit Med. 2019;2:25 Raumviboonsuk P et al. Deep learning versus human graders for classifying diabetic retinopathy severity in a nationwide screening program. NPJ Digit Med. 2019;2:25
7.
Zurück zum Zitat Eckardt JN et al. Deep learning identifies Acute Promyelocytic Leukemia in bone marrow smears. BMC Cancer. 2022;22(1):201 Eckardt JN et al. Deep learning identifies Acute Promyelocytic Leukemia in bone marrow smears. BMC Cancer. 2022;22(1):201
8.
Zurück zum Zitat Matek C et al. Highly accurate differentiation of bone marrow cell morphologies using deep neural networks on a large image data set. Blood. 2021;138(20):1917-27 Matek C et al. Highly accurate differentiation of bone marrow cell morphologies using deep neural networks on a large image data set. Blood. 2021;138(20):1917-27
9.
Zurück zum Zitat Skrede OJ et al. Deep learning for prediction of colorectal cancer outcome: a discovery and validation study. Lancet. 2020;395(10221):350-60 Skrede OJ et al. Deep learning for prediction of colorectal cancer outcome: a discovery and validation study. Lancet. 2020;395(10221):350-60
10.
Zurück zum Zitat Ligero M et al. A CT-based Radiomics Signature Is Associated with Response to Immune Checkpoint Inhibitors in Advanced Solid Tumors. Radiology. 2021;299(1):109-19 Ligero M et al. A CT-based Radiomics Signature Is Associated with Response to Immune Checkpoint Inhibitors in Advanced Solid Tumors. Radiology. 2021;299(1):109-19
11.
Zurück zum Zitat Hassouneh N et al. Predicting survivability in leukemia patients using deep learning. 2019 Sixth HCT Information Technology Trends (ITT). 2019:191-6 Hassouneh N et al. Predicting survivability in leukemia patients using deep learning. 2019 Sixth HCT Information Technology Trends (ITT). 2019:191-6
12.
Zurück zum Zitat Yang X et al. A large language model for electronic health records. NPJ Digit Med. 2022;5(1):194 Yang X et al. A large language model for electronic health records. NPJ Digit Med. 2022;5(1):194
Metadaten
Titel
Schwerpunkt „KI in der Hämatologie und Onkologie“
KI in der Medizin: Begrifflichkeiten, Chancen und Risiken
verfasst von
Dr. med. Corinne Widmer
Publikationsdatum
17.05.2024
Verlag
Springer Medizin
Erschienen in
InFo Hämatologie + Onkologie / Ausgabe 5/2024
Print ISSN: 2662-1754
Elektronische ISSN: 2662-1762
DOI
https://doi.org/10.1007/s15004-024-0567-4

Weitere Artikel der Ausgabe 5/2024

InFo Hämatologie + Onkologie 5/2024 Zur Ausgabe

Erhebliches Risiko für Kehlkopfkrebs bei mäßiger Dysplasie

29.05.2024 Larynxkarzinom Nachrichten

Fast ein Viertel der Personen mit mäßig dysplastischen Stimmlippenläsionen entwickelt einen Kehlkopftumor. Solche Personen benötigen daher eine besonders enge ärztliche Überwachung.

15% bedauern gewählte Blasenkrebs-Therapie

29.05.2024 Urothelkarzinom Nachrichten

Ob Patienten und Patientinnen mit neu diagnostiziertem Blasenkrebs ein Jahr später Bedauern über die Therapieentscheidung empfinden, wird einer Studie aus England zufolge von der Radikalität und dem Erfolg des Eingriffs beeinflusst.

Erhöhtes Risiko fürs Herz unter Checkpointhemmer-Therapie

28.05.2024 Nebenwirkungen der Krebstherapie Nachrichten

Kardiotoxische Nebenwirkungen einer Therapie mit Immuncheckpointhemmern mögen selten sein – wenn sie aber auftreten, wird es für Patienten oft lebensgefährlich. Voruntersuchung und Monitoring sind daher obligat.

Costims – das nächste heiße Ding in der Krebstherapie?

28.05.2024 Onkologische Immuntherapie Nachrichten

„Kalte“ Tumoren werden heiß – CD28-kostimulatorische Antikörper sollen dies ermöglichen. Am besten könnten diese in Kombination mit BiTEs und Checkpointhemmern wirken. Erste klinische Studien laufen bereits.

Update Onkologie

Bestellen Sie unseren Fach-Newsletter und bleiben Sie gut informiert.