Skip to main content
Erschienen in: InFo Hämatologie + Onkologie 12/2021

13.12.2021 | Akute myeloische Leukämie | Schwerpunkt

Schwerpunkt "Künstliche Intelligenz in der Onkologie"

Künstliche Intelligenz in der Hämatologie

verfasst von: Kolja Nenoff, MSc, Nora Grieb, Alexander Oeser, Thomas Neumuth, Prof. Dr. med. Uwe Platzbecker, Dr. med. Anne Sophie Kubasch

Erschienen in: InFo Hämatologie + Onkologie | Ausgabe 12/2021

Einloggen, um Zugang zu erhalten

Auszug

Von der automatisierten Auswertung medizinischer Dokumente über die Analyse molekulargenetischer Daten zur beschleunigten Diagnosestellung bis zur Schaffung digitaler Patientenzwillinge für virtuelle Therapiesimulationen - in nahezu allen Bereichen der Hämatologie wird an Anwendungen von Künstlicher Intelligenz geforscht. Welche Chancen sich hier bieten und welche Herausforderungen zu meistern sind, lesen Sie in dieser Übersicht.
Literatur
1.
Zurück zum Zitat Walter W et al. How artificial intelligence might disrupt diagnostics in hematology in the near future. Oncogene. 2021;40(25):4271-80 Walter W et al. How artificial intelligence might disrupt diagnostics in hematology in the near future. Oncogene. 2021;40(25):4271-80
2.
Zurück zum Zitat Lee S et al. Review of statistical methods for survival analysis using genomic data. Genomics Inform. 2019;17(4):e41 Lee S et al. Review of statistical methods for survival analysis using genomic data. Genomics Inform. 2019;17(4):e41
3.
Zurück zum Zitat Ni W et al. Automated analysis of acute myeloid leukemia minimal residual disease using a support vector machine. Oncotarget. 2016;7(44):71915-21 Ni W et al. Automated analysis of acute myeloid leukemia minimal residual disease using a support vector machine. Oncotarget. 2016;7(44):71915-21
4.
Zurück zum Zitat Gerstung M et al. Precision oncology for acute myeloid leukemia using a knowledge bank approach. Nat Genet. 2017;49(3):332-40 Gerstung M et al. Precision oncology for acute myeloid leukemia using a knowledge bank approach. Nat Genet. 2017;49(3):332-40
5.
Zurück zum Zitat Hilton C et al. Geno-Clinical Model for the Diagnosis of Bone Marrow Myeloid Neoplasms. ASH. 2019;Abstr 637 Hilton C et al. Geno-Clinical Model for the Diagnosis of Bone Marrow Myeloid Neoplasms. ASH. 2019;Abstr 637
6.
Zurück zum Zitat Kazemi F et al. Automatic Recognition of Acute Myelogenous Leukemia in Blood Microscopic Images Using K-means Clustering and Support Vector Machine. J Med Signals Sens. 2016;6(3):183-93 Kazemi F et al. Automatic Recognition of Acute Myelogenous Leukemia in Blood Microscopic Images Using K-means Clustering and Support Vector Machine. J Med Signals Sens. 2016;6(3):183-93
7.
Zurück zum Zitat Rawat J et al. Classification of acute lymphoblastic leukaemia using hybrid hierarchical classifiers. Multimed Tools Appl. 2017;76(18):19057-85 Rawat J et al. Classification of acute lymphoblastic leukaemia using hybrid hierarchical classifiers. Multimed Tools Appl. 2017;76(18):19057-85
8.
Zurück zum Zitat Xu L et al. Automated Whole-Body Bone Lesion Detection for Multiple Myeloma on 68 Ga-Pentixafor PET/CT Imaging Using Deep Learning Methods. Contrast Media Mol Imaging. 2018;2018:2391925 Xu L et al. Automated Whole-Body Bone Lesion Detection for Multiple Myeloma on 68 Ga-Pentixafor PET/CT Imaging Using Deep Learning Methods. Contrast Media Mol Imaging. 2018;2018:2391925
9.
Zurück zum Zitat Radakovich N et al. Artificial Intelligence in Hematology: Current Challenges and Opportunities. Curr Hematol Malig Rep. 2020;15(3):203-10 Radakovich N et al. Artificial Intelligence in Hematology: Current Challenges and Opportunities. Curr Hematol Malig Rep. 2020;15(3):203-10
10.
Zurück zum Zitat Björnsson B et al. Digital twins to personalize medicine. Genome Med. 2019;12(1):4 Björnsson B et al. Digital twins to personalize medicine. Genome Med. 2019;12(1):4
11.
Zurück zum Zitat Kong HJ. Managing unstructured big data in healthcare system. Healthc Inform Res. 2019;25(1):1-2 Kong HJ. Managing unstructured big data in healthcare system. Healthc Inform Res. 2019;25(1):1-2
Metadaten
Titel
Schwerpunkt "Künstliche Intelligenz in der Onkologie"
Künstliche Intelligenz in der Hämatologie
verfasst von
Kolja Nenoff, MSc
Nora Grieb
Alexander Oeser
Thomas Neumuth
Prof. Dr. med. Uwe Platzbecker
Dr. med. Anne Sophie Kubasch
Publikationsdatum
13.12.2021
Verlag
Springer Medizin
Erschienen in
InFo Hämatologie + Onkologie / Ausgabe 12/2021
Print ISSN: 2662-1754
Elektronische ISSN: 2662-1762
DOI
https://doi.org/10.1007/s15004-021-8909-y

Weitere Artikel der Ausgabe 12/2021

InFo Hämatologie + Onkologie 12/2021 Zur Ausgabe

Neues aus der Forschung

Einige Kinder profitieren von ADC

Adjuvante Immuntherapie verlängert Leben bei RCC

25.04.2024 Nierenkarzinom Nachrichten

Nun gibt es auch Resultate zum Gesamtüberleben: Eine adjuvante Pembrolizumab-Therapie konnte in einer Phase-3-Studie das Leben von Menschen mit Nierenzellkarzinom deutlich verlängern. Die Sterberate war im Vergleich zu Placebo um 38% geringer.

Alectinib verbessert krankheitsfreies Überleben bei ALK-positivem NSCLC

25.04.2024 NSCLC Nachrichten

Das Risiko für Rezidiv oder Tod von Patienten und Patientinnen mit reseziertem ALK-positivem NSCLC ist unter einer adjuvanten Therapie mit dem Tyrosinkinase-Inhibitor Alectinib signifikant geringer als unter platinbasierter Chemotherapie.

Bei Senioren mit Prostatakarzinom auf Anämie achten!

24.04.2024 DGIM 2024 Nachrichten

Patienten, die zur Behandlung ihres Prostatakarzinoms eine Androgendeprivationstherapie erhalten, entwickeln nicht selten eine Anämie. Wer ältere Patienten internistisch mitbetreut, sollte auf diese Nebenwirkung achten.

ICI-Therapie in der Schwangerschaft wird gut toleriert

Müssen sich Schwangere einer Krebstherapie unterziehen, rufen Immuncheckpointinhibitoren offenbar nicht mehr unerwünschte Wirkungen hervor als andere Mittel gegen Krebs.

Update Onkologie

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