nach oben

Die Onkologie

Erschienen in:

11.07.2022 | Diagnostische Radiologie | Update Onkologie

Diagnostische Radiologie

Update 2022

verfasst von: Simon Lennartz, Heinz-Peter Schlemmer, Thorsten Persigehl

Erschienen in: Die Onkologie | Ausgabe 9/2022

Einloggen, um Zugang zu erhalten

Zusammenfassung

Hintergrund

Aktuelle wissenschaftliche Entwicklungen in der onkologischen Bildgebung führen in verschiedenen klinischen Anwendungsfeldern zu Veränderungen, die in der klinisch-onkologischen Routine von Bedeutung sind.

Ziel der Arbeit

Ziel der Arbeit ist es, schlaglichtartig aktuelle Entwicklungen in der onkologischen Bildgebung zu erläutern und deren Bedeutung für Onkologen, Radiologen und Krebspatienten aufzuzeigen.

Material und Methoden

Diese Arbeit basiert auf der Auswahl wichtiger wissenschaftlicher Entwicklungen und Anwendungsfälle durch die Autoren und einer selektiven Literaturrecherche mit Fokus auf deren klinische Implikationen im interdisziplinären Umfeld der Onkologie.

Ergebnisse

Seit Jahren gehört die Entwicklung der künstlichen Intelligenz zu einem der dynamischsten Wissenschaftsfelder in der Radiologie, wobei sich die Anwendung in der onkologischen Bildgebung in besonderem Maß anbietet. Während wissenschaftlich in vielen Anwendungsfällen bereits vielversprechende Ergebnisse erzielt wurden und die Zahl der zugelassenen Softwarelösungen zunimmt, ergeben sich auch wichtige Herausforderungen und Hürden bei der breiten klinischen Validierung und Implementierung. Interinstitutionelle Vernetzung großer Datenbanken, wie durch die Joint Imaging Platform (JIP) des Deutschen Konsortiums für translationale Krebsforschung, sowie die zunehmende Implementierung der strukturierten Befundung mit Generierung von maschinenlesbarem Dateninput helfen, einige dieser Herausforderungen zu adressieren. Weitere wichtige wissenschaftliche Entwicklungen in der onkologischen Bildgebung sind modalitätsspezifisch, diesbezüglich legt dieser Artikel einen Fokus auf die moderne Dual-Energy-CT und gibt einen Ausblick zur kürzlich eingeführten Photon-Counting-CT.

Schlussfolgerung

Die onkologische Bildgebung unterliegt einem dynamischen Wandel, der von sich verändernden Anforderungen seitens der Onkologie sowie von Fortschritten auf verschiedenen Wissenschaftsfeldern, allen voran der Medizintechnik und Anwendungen der künstlichen Intelligenz, getrieben wird.

Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJWL (2018) Artificial intelligence in radiology. Nat Rev Cancer 18(8):500–510. https://doi.org/10.1038/s41568-018-0016-5CrossRefPubMedPubMedCentral

McCollough CH, Leng S, Yu L, Fletcher JG (2015) Dual- and multi-energy CT: principles, technical approaches, and clinical applications. Radiology 276:637CrossRef

Willemink MJ, Persson M, Pourmorteza A, Pelc NJ, Fleischmann D (2018) Photon-counting CT: technical principles and clinical prospects. Radiology 289(2):293–312CrossRef

Bustin A, Fuin N, Botnar RM, Prieto C (2020) From compressed-sensing to artificial intelligence-based cardiac MRI reconstruction. Front Cardiovasc Med 7:17CrossRef

Marin D, Davis D, Choudhury KR (2017) Characterization of small focal renal lesions: diagnostic accuracy with single-phase contrast-enhanced dual-energy CT with material attenuation analysis compared with conventional attenuation measurements. Radiology 284:737CrossRef

Nagayama Y, Inoue T, Oda S, Tanoue S, Nakaura T, Ikeda O et al (2020) Adrenal adenomas versus metastases: diagnostic performance of dual-energy spectral CT virtual noncontrast imaging and iodine maps. Radiology. https://doi.org/10.1148/radiol.2020192227CrossRefPubMed

Graser A, Becker CR, Staehler M, Clevert DA, MacAri M, Arndt N et al (2010) Single-phase dual-energy CT allows for characterization of renal masses as benign or malignant. Invest Radiol 45(7):399–405CrossRef

Lennartz S, Zopfs D, Abdullayev N, Bratke G, Le Blanc M, Slebocki K et al (2020) Iodine overlays to improve differentiation between peritoneal carcinomatosis and benign peritoneal lesions. Eur Radiol 30(7):3968–3976CrossRef

Andersen MB, Ebbesen D, Thygesen J, Kruis M, Rasmussen F (2020) Impact of spectral body imaging in patients suspected for occult cancer: a prospective study of 503 patients. Eur Radiol 30(10):5539–5550CrossRef

10.

Reimer RP, Große Hokamp N, Fehrmann Efferoth A, Krauskopf A, Zopfs D, Kröger JR et al (2021) Virtual monoenergetic images from spectral detector computed tomography facilitate washout assessment in arterially hyper-enhancing liver lesions. Eur Radiol 31(5):3468–3477CrossRef

11.

Shapira N, Fokuhl J, Schultheiß M, Beck S, Kopp FK, Pfeiffer D et al (2020) Liver lesion localisation and classification with convolutional neural networks: a comparison between conventional and spectral computed tomography. Biomed Phys Eng Express 6(1):15038CrossRef

12.

Zhou Y, Su G‑Y, Hu H, Ge Y‑Q, Si Y, Shen M‑P et al (2020) Radiomics analysis of dual-energy CT-derived iodine maps for diagnosing metastatic cervical lymph nodes in patients with papillary thyroid cancer. Eur Radiol 30(11):6251–6262. https://doi.org/10.1007/s00330-020-06866-xCrossRefPubMed

13.

Lennartz S, Mager A, Große Hokamp N, Schäfer S, Zopfs D, Maintz D et al (2021) Texture analysis of iodine maps and conventional images for k‑nearest neighbor classification of benign and metastatic lung nodules. Cancer Imaging 21(1):17. https://doi.org/10.1186/s40644-020-00374-3CrossRefPubMedPubMedCentral

14.

Obmann MM, Kelsch V, Cosentino A, Hofmann V, Boll DT, Benz MR (2019) Interscanner and intrascanner comparison of virtual unenhanced attenuation values derived from twin beam dual-energy and dual-source, dual-energy computed tomography. Invest Radiol 54(1):1–6CrossRef

15.

Meyer M, Nelson RC, Vernuccio F, González F, Farjat AE, Patel BN et al (2019) Virtual unenhanced images at dual-energy CT: influence on renal lesion characterization. Radiology 291(2):381–390CrossRef

16.

Sartoretti T, Mergen V, Higashigaito K, Eberhard M, Alkadhi H, Euler A (2022) Virtual noncontrast imaging of the liver using photon-counting detector computed tomography: a systematic phantom and patient study. Invest Radiol. https://doi.org/10.1097/RLI.0000000000000860CrossRefPubMed

17.

Rajendran K, Petersilka M, Henning A, Shanblatt ER, Schmidt B, Flohr TG et al (2022) First clinical photon-counting detector CT system: technical evaluation. Radiology 303(1):130–138CrossRef

18.

Wehrse E, Sawall S, Klein L, Glemser P, Delorme S, Schlemmer H‑P et al (2021) Potential of ultra-high-resolution photon-counting CT of bone metastases: initial experiences in breast cancer patients. NPJ Breast Cancer 7(1):3CrossRef

19.

Ruetters M, Sen S, Gehrig H, Bruckner T, Kim T‑S, Lux CJ et al (2022) Dental imaging using an ultra-high resolution photon-counting CT system. Sci Rep 12(1):7125CrossRef

20.

Sawall S, Klein L, Wehrse E, Rotkopf LT, Amato C, Maier J et al (2021) Threshold-dependent iodine imaging and spectral separation in a whole-body photon-counting CT system. Eur Radiol 31(9):6631–6639CrossRef

21.

Wehrse E, Klein L, Rotkopf LT, Wagner WL, Uhrig M, Heußel CP et al (2021) Photon-counting detectors in computed tomography: from quantum physics to clinical practice. Radiologe 61(1):1–10CrossRef

22.

Brook OR, Brook A, Vollmer CM, Kent TS, Sanchez N, Pedrosa I (2015) Structured reporting of multiphasic CT for pancreatic cancer: potential effect on staging and surgical planning. Radiology 274(2):464–472CrossRef

23.

Persigehl T, Baumhauer M, Baeßler B, Beyer LP, Bludau M, Bruns C et al (2020) Structured reporting of solid and cystic pancreatic lesions in CT and MRI: consensus-based structured report templates of the German society of radiology (DRG). Rofo 192(7):641–656CrossRef

24.

Olthof AW, Borstlap J, Roeloffzen WW, Callenbach PMC, van Ooijen PMA (2018) Improvement of radiology reporting in a clinical cancer network: impact of an optimised multidisciplinary workflow. Eur Radiol 28(10):4274–4280CrossRef

25.

Aerts HJWL, Velazquez ER, Leijenaar RTH, Parmar C, Grossmann P, Cavalho S et al (2014) Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nat Commun 5:4006CrossRef

26.

Zhang KS, Schelb P, Kohl S, Radtke JP, Wiesenfarth M, Schimmöller L et al (2021) Improvement of PI-RADS-dependent prostate cancer classification by quantitative image assessment using radiomics or mean ADC. Magn Reson Imaging 82:9–17CrossRef

27.

Bonekamp D, Schlemmer H‑P (2021) Machine learning and multiparametric MRI for early diagnosis of prostate cancer. Urologe A 60(5):576–591CrossRef

28.

Baeßler B, Weiss K, dos Santos DP (2019) Robustness and reproducibility of radiomics in magnetic resonance imaging: a phantom study. Invest Radiol 54(4):221–228CrossRef

29.

Meyer M, Ronald J, Vernuccio F, Nelson RC, Ramirez-Giraldo JC, Solomon J et al (2019) Reproducibility of CT radiomic features within the same patient: influence of radiation dose and CT reconstruction settings. Radiology 293(3):583–591CrossRef

30.

Zwanenburg A, Vallières M, Abdalah MA, Aerts HJWL, Andrearczyk V, Apte A et al (2020) The image biomarker standardization initiative: standardized quantitative radiomics for high-throughput image-based phenotyping. Radiology 295(2):328–338CrossRef

31.

Bluemke DA, Moy L, Bredella MA, Ertl-Wagner BB, Fowler KJ, Goh VJ et al (2020) Assessing radiology research on artificial intelligence: a brief guide for authors, reviewers, and readers—from the radiology editorial board. Radiology 294(3):487–489CrossRef

32.

Benjamens S, Dhunnoo P, Meskó B (2020) The state of artificial intelligence-based FDA-approved medical devices and algorithms: an online database. NPJ Digit Med 3(1):118CrossRef

33.

Curtis C, Liu C, Bollerman TJ, Pianykh OS (2018) Machine learning for predicting patient wait times and appointment delays. J Am Coll Radiol 15(9):1310–1316CrossRef

34.

Singh R, Wu W, Wang G, Kalra MK (2020) Artificial intelligence in image reconstruction: the change is here. Phys Med 79:113–125CrossRef

35.

Arbabshirani MR, Fornwalt BK, Mongelluzzo GJ, Suever JD, Geise BD, Patel AA et al (2018) Advanced machine learning in action: identification of intracranial hemorrhage on computed tomography scans of the head with clinical workflow integration. NPJ Digit Med. https://doi.org/10.1038/s41746-017-0015-zCrossRefPubMedPubMedCentral

36.

Dratsch T, Korenkov M, Zopfs D, Brodehl S, Baessler B, Giese D et al (2021) Practical applications of deep learning: classifying the most common categories of plain radiographs in a PACS using a neural network. Eur Radiol 31(4):1812–1818CrossRef

37.

Bonekamp D, Schlemmer H‑P (2022) Artificial intelligence (AI) in radiology? : do we need as many radiologists in the future? Urologe A 61(4):392–399CrossRef

38.

Schlemmer H‑P, Hohenfellner M (2021) Chancen von KI in der Onkologie am Beispiel der individualisierten Diagnostik und Behandlung von Prostatakrebs = Opportunities of AI in oncology using the example of individualized diagnosis and treatment of prostate cancer. Z Med Ethik 67(3):309–326

39.

Perry TS, Ng A (2021) X‑rays the AI hype (IEEE, Spectrum)

40.

Huisman M, Ranschaert E, Parker W, Mastrodicasa D, Koci M, Pinto de Santos D et al (2021) An international survey on AI in radiology in 1041 radiologists and radiology residents part 2: expectations, hurdles to implementation, and education. Eur Radiol 31(11):8797–8806. https://doi.org/10.1007/s00330-021-07782-4CrossRefPubMedPubMedCentral

41.

Nagendran M, Chen Y, Lovejoy CA, Gordon AC, Komorowski M, Harvey H et al (2020) Artificial intelligence versus clinicians: systematic review of design, reporting standards, and claims of deep learning studies. BMJ. https://doi.org/10.1136/bmj.m689CrossRefPubMedPubMedCentral

42.

McKinney SM, Sieniek M, Godbole V, Godwin J, Antropova N, Ashrafian H et al (2020) International evaluation of an AI system for breast cancer screening. Nature 577(7788):89–94. https://doi.org/10.1038/s41586-019-1799-6CrossRefPubMed

43.

BMBF (2021) Newsletter 101 – Gemeinsam im Bilde mit der Joint Imaging Platform

44.

Scherer J, Nolden M, Kleesiek J, Metzger J, Kades K, Schneider V et al (2020) Joint imaging platform for federated clinical data analytics. JCO Clin Cancer Inform 4:1027–1038CrossRef

45.

Iuga A‑I, Lossau T, Caldeira LL, Rinneburger M, Lennartz S, Große Hokamp N et al (2021) Automated mapping and N‑staging of thoracic lymph nodes in contrast-enhanced CT scans of the chest using a fully convolutional neural network. Eur J Radiol 139:109718CrossRef

46.

Lennartz S, Dratsch T, Zopfs D, Persigehl T, Maintz D, Große Hokamp N et al (2021) Use and control of artificial intelligence in patients across the medical workflow: single-center questionnaire study of patient perspectives. J Med Internet Res 23(2):e24221CrossRef

Titel: Diagnostische Radiologie
Update 2022
verfasst von: Simon Lennartz
Heinz-Peter Schlemmer
Thorsten Persigehl
Publikationsdatum: 11.07.2022
Verlag: Springer Medizin
Schlagwörter: Diagnostische Radiologie
Künstliche Intelligenz
Erschienen in: Die Onkologie / Ausgabe 9/2022
Print ISSN: 2731-7226
Elektronische ISSN: 2731-7234
DOI: https://doi.org/10.1007/s00761-022-01209-5

Neu im Fachgebiet Onkologie

23.04.2024 | Medikamente in Schwangerschaft und Stillzeit | Nachrichten

Live-Webinar: Aktuelle Leitlinien bei Herz-Kreislauf-Erkrankungen

Springer Medizin

Diagnostische Radiologie

Update 2022

Zusammenfassung

Hintergrund

Ziel der Arbeit

Material und Methoden

Ergebnisse

Schlussfolgerung

Neu im Fachgebiet Onkologie

ICI-Therapie in der Schwangerschaft wird gut toleriert

Krebspatienten impfen: Was? Wen? Und wann nicht?

Müde im Alter? Auch an die Nebenniere denken

Stufenschema weist Prostatakarzinom zuverlässig nach

Update Onkologie

Live-Webinar: Aktuelle Leitlinien bei Herz-Kreislauf-Erkrankungen

Springer Medizin

Zusammenfassung

Hintergrund

Ziel der Arbeit

Material und Methoden

Ergebnisse

Schlussfolgerung

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Weitere Artikel der Ausgabe 9/2022

Metastasiertes Urothelkarzinom: So gelingt die Weichenstellung in der Erstlinie

Trimodale Therapie des muskelinvasiven Blasenkarzinoms – eine äquivalente Alternative zur Operation im lokalisierten Tumorstadium?

Psychoonkologie: Die Aktualisierung der S3-Leitlinie

Die minimal-invasive Chirurgie beim Blasenkarzinom – Vorteile und neue Entwicklungen

Chemoimmuntherapie zur neoadjuvanten Behandlung des operablen NSCLC

CME: Hypofraktionierte Strahlentherapie – ein modernisierter Klassiker

Neu im Fachgebiet Onkologie

ICI-Therapie in der Schwangerschaft wird gut toleriert

Krebspatienten impfen: Was? Wen? Und wann nicht?

Müde im Alter? Auch an die Nebenniere denken

Stufenschema weist Prostatakarzinom zuverlässig nach

Update Onkologie