nach oben

Erschienen in:

02.07.2021 | Pädiatrische Radiologie | Leitthema

Künstliche Intelligenz bei Bildauswertung und Diagnosefindung

Was bringt das in der Kinder- und Jugendradiologie?

verfasst von: Prof. Hans-Joachim Mentzel

Erschienen in: Monatsschrift Kinderheilkunde | Ausgabe 8/2021

Einloggen, um Zugang zu erhalten

Zusammenfassung

Die Radiologie ist von stetem Wandel geprägt und definiert sich über den technologischen Fortschritt. Künstliche Intelligenz (KI) wird die praktische Tätigkeit in der Kinder- und Jugendradiologie künftig in allen Belangen verändern. Bildakquisition, Befunderkennung und -segmentierung sowie die Erkennung von Gewebeeigenschaften und deren Kombination mit Big Data werden die Haupteinsatzgebiete in der Radiologie sein. Höhere Effektivität, Beschleunigung von Untersuchung und Befundung sowie Kosteneinsparung sind mit der Anwendung von KI verbundene Erwartungshaltungen. Ein verbessertes Patientenmanagement, Arbeitserleichterungen für medizinisch-technische Radiologieassistenten und Kinder- und Jugendradiologen sowie schnellere Untersuchungs- und Befundzeiten markieren die Meilensteine der KI-Entwicklung in der Radiologie. Von der Terminkommunikation und Gerätesteuerung bis zu Therapieempfehlung und -monitoring wird der Alltag durch Elemente der KI verändert. Kinder- und Jugendradiologen müssen daher grundlegend über KI informiert sein und mit Datenwissenschaftlern bei der Etablierung und Anwendung von KI-Elementen zusammenarbeiten.

Alizadeh M, Conklin CJ, Middleton DM, Shah P, Saksena S, Krisa L et al (2018) Identification of ghost artifact using texture analysis in pediatric spinal cord diffusion tensor images. Magn Reson Imaging 47:7–15CrossRef

Alqahtani FF, Messina F, Offiah AC (2019) Are semit-automated software program designed for adults accurate for the identification of vertebral fractures in children? Eur Radiol 29:6780–6789CrossRef

Bhat CS, Chopra M, Andronikou S, Paul S, Werner-Fligner Z, Merkoulovitch A et al (2020) Artificial intelligence for interpretation of segments of whole body MRI in CNO: pilot study comparing radiologists versus machine learning algorithm. Pediatr Rheumatol 18:47CrossRef

Chartrand G, Cheng PM, Vorontsov E, Drozdzal M, Turcotte S, Pal CJ, Kadoury S, Tang A (2017) Deep learning: a primer for radiologists. Radiographics 37:2113–2131. https://doi.org/10.1148/rg.2017170077CrossRefPubMed

Chen X, Huang Y, He L, Zhang T, Zhang L, Ding H (2020) CT-based radiomics to differentiate pelvic rhabdomyosarcoma from yolk sac tumors in children. Front Oncol. https://doi.org/10.3389/fonc.2020.584272CrossRefPubMedPubMedCentral

Davendralignam N, Sebire NJ, Arthurs OJ, Shelmerdine SC (2021) Artificial intelligence in paediatric radiology: future opportunities. BJR 94:111720200975. https://doi.org/10.1259/bjr.20200975CrossRef

Erickson BJ, Korfiatis P, Akkus Z, Kline TL (2017) Machine learning for medical imaging. Radiographics 37:505–515. https://doi.org/10.1148/rg.2017160130CrossRefPubMed

Forsting M (2019) Artificial intelligence with radiology as a trailblazer for super-diagnostic: an essay. Fortschr Röntgenstr 191:73–78. https://doi.org/10.1055/a-0808-7772CrossRef

Gong E, Pauly JM, Wintermark M, Zaharchuk G (2018) Deep learning enables reduced gadolinium dose for contrast-enhanced MRI. J Magn Reson Imaging 48:330–340CrossRef

10.

Halabi SS, Prevedello LM, Kalpathy-Cramer J, Mamonov AB, Bilbily A, Cicero M, Pan I, Pereira LA, Sous RT, Abdala N, Kitamura FC, Todberg HH, Chen L, Shih G, Andriole K, Kohli MD, Erickson BJ, Flanders AE (2019) The RSNA pediatric bone age machine learning challenge. Radiology 290:498–503. https://doi.org/10.1148/radiol.2018180736CrossRef

11.

Haubold J (2020) Künstliche Intelligenz in der Radiologie. Was ist in den nächsten Jahren zu erwarten. Radiologe 60:64–69. https://doi.org/10.1007/s00117-019-00621-0CrossRefPubMed

12.

Hernanz-Schulman M, Frsh DP, Bettman MA (2021) Appropriate use criteria and computerized decision support for the pediatric population: background, pediatric rapid response committee and future direction. Pediatr Radiol 51:371–377CrossRef

13.

Huang Y, Zhang Z, Liu S, Li X, Yang Y, Ma J, Li Z, Zhou J, Jiang Y, He B (2021) CT-based radiomics combined with signs: a valuable tool to help radiologist discriminate COVID-19 and influenza pneumonia. BMC Med Imaging. https://doi.org/10.1186/s12880-021-00564-wCrossRefPubMedPubMedCentral

14.

Iv M, Zhou M, Shpanskaya K, Perreault S, Wang Z, Tranvinh E et al (2019) Imaging based radiomic signatures of distinct molecular subroups of medulloblastoma. AJNR Am J Neuroradiol 40:154–161CrossRef

15.

Johnson PM, Recht MP, Knoll F (2020) Improing the speed of MRI with artificial intelligence. Semin Muskuloskelet Radiol 24:12–20. https://doi.org/10.1055/s-0039-3400265CrossRef

16.

Lakhani P, Sundaram B (2017) Deep learning at chest radiography: automated classification of pulmonary tuberculosis by using convolutional neural networks. Radiology 284:574–582CrossRef

17.

Larson DB, Chen MC, Lungren MP, Halabi SS, Stence NV, Langlotz CP (2018) Performance of a deep-learning neural network model in assessing skeletal maturity on pediatric hand radiographs. Radiology 287:313–322CrossRef

18.

Mahomed N, van Ginneken B, Philipsen RHHM, Melendez J, Moore DP, Moodley H, Sewchuran T, Mathew D, Madhi SA (2020) Computer-aided diagnosis for World Health Organization-defined chest radiograph primary-endpoint pneumonia in children. Pediatr Radiol 50:482–449CrossRef

19.

Mentzel HJ, John U, Boettcher J, Malich A, Pfeil A, Vollandt R, Misselwitz J, Kaiser WA (2005) Evaluation of bone-mineral density by digital X‑ray radiogrammetry (DXR) in pediatric renal transplant recipients. Pediatr Radiol 35:489–494CrossRef

20.

Mentzel HJ, Malich A, Kunze C, Kramer A, Pfeil A, Boettcher J, Spielmann RP, Kaiser WA (2007) Digitale Radiogrammetrie (DXR). Referenzwerte der Knochenmineraldichte für Kinder und Jugendliche. Monatsschr Kinderheilkd 155:16–22CrossRef

21.

Moore MM, Slonimsky E, Long AD, Sze RW, Iyer RS (2019) Machine learning concepts, concerns and opportunitites for a pediatric radiologist. Pediatr Radiol 49:509–516CrossRef

22.

Prayer F, Röhrich S, Pan J, Hofmanninger J, Langs G, Prosch H (2020) Künstliche Intelligenz in der Bildgebung der Lunge. Radiologe 60:42–47. https://doi.org/10.1007/s00117-019-00611-2CrossRefPubMed

23.

van Rijn R, Lequin MH, Thodberg HH (2009) Automatic determination of Greulich and Pyle bone age in healthy Dutch children. Pediatr Radiol 39:591–597CrossRef

24.

Schoeb D, Suarez-Ibarrola R, Hein S, Dressler FF, Adams F, Schlager D et al (2020) Use of artificial intelligence for medical literature search: randomized controlled trial using the Hackathon format. Interact J Med Res 9:e16606CrossRef

25.

Shea LAG, Towbin AJ (2019) The state of structured reporting: the nuance of standardized language. Pediatr Radiol 49:500–508. https://doi.org/10.1007/s00247/-019-04345-0CrossRefPubMed

26.

Summers RM (2018) Deep learning lends a hand to pediatric radiology. Radiology 287:323–325. https://doi.org/10.1148/radiol.2018172898CrossRefPubMed

27.

Thian YL, Li Y, Jagmohan P, Sia D, Chan VEY, Tan RT (2019) Convolutional neural networks for automated fracture detection and localization on wrist radiographs. Radiology 1:e180001PubMedPubMedCentral

28.

Tudor Car L, Dhinagaran DA, Kyaw BM, Kowatsch T, Joty S, Theng YL et al (2020) Conversational agents in health care: scoping review and conceptual analysis. J Med Internet Res 22:e17158CrossRef

29.

Weiss RJ, Bates SV, Song Y, Zhang Y, Herzberg EM, Chen YC, Song Y et al (2019) Mining multi-site clinical data to develop machine learning MRI biomarkers: application to neonatal hypoxic-ischemic encephalopathy. J Transl Med 17:385CrossRef

30.

Winkel DJ, Heye T, Weitkert TJ et al (2019) Evaluation of an ai-based detection software for acute findings in abdominal computed tomography scans: toward an automated work list prioritization of routine CT examinations. Invest Radiol 54:55CrossRef

31.

Wu Y, Xu L, Yang P, Lin N, Huang X, Pan W, Li H, Lin P, Li B, Bunpetch V, Luo C, Jiang Y, Yang D, Huang M, Niu T, Ye Z (2018) Survival prediction in high-grade osteosarcoma using radiomics of diagnostic computed tomography. EBioMedicine 34:27–34CrossRef

32.

Zhang H, Wang J, Zeng D, Tao X, Ma J (2018) Regularization strategies in statistical image reconstruction of low-dose X‑ray CT: a review. Med Phys 45:e886–e907. https://doi.org/10.1002/mp.13123CrossRefPubMed

33.

Zheng Q, Furth SL, Tasian GE, Fany Y (2019) Computer-aided diagnosis of congenital abnormalities of the kidney and urinary tract in children based on ultrasound imaging data by integrating texture image features and deep transfer learning image features. J Pediatr Urol 15:75.e1–75.e7CrossRef

Titel: Künstliche Intelligenz bei Bildauswertung und Diagnosefindung
Was bringt das in der Kinder- und Jugendradiologie?
verfasst von: Prof. Hans-Joachim Mentzel
Publikationsdatum: 02.07.2021
Verlag: Springer Medizin
Schlagwörter: Pädiatrische Radiologie
Künstliche Intelligenz
Erschienen in: Monatsschrift Kinderheilkunde / Ausgabe 8/2021
Print ISSN: 0026-9298
Elektronische ISSN: 1433-0474
DOI: https://doi.org/10.1007/s00112-021-01230-9

Neu im Fachgebiet Pädiatrie

23.04.2024 | Typ-1-Diabetes | Nachrichten

Update Pädiatrie

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

Newsletter bestellen

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

Springer Medizin

Künstliche Intelligenz bei Bildauswertung und Diagnosefindung

Was bringt das in der Kinder- und Jugendradiologie?

Zusammenfassung

Neu im Fachgebiet Pädiatrie

Neuer Typ-1-Diabetes bei Kindern am Wochenende eher übersehen

Neue Studienergebnisse zur Myopiekontrolle mit Atropin

Spinale Muskelatrophie: Neugeborenen-Screening lohnt sich

Fünf Dinge, die im Kindernotfall besser zu unterlassen sind

Update Pädiatrie

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

Springer Medizin

Zusammenfassung

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

Weitere Artikel der Ausgabe 8/2021

Digitalisierung in der Kinder- und Jugendmedizin

Mobile Applikationen (Apps) zu Diagnosefindung und Therapiesteuerung in der Kinder- und Jugendmedizin

Mitteilungen der ÖGKJ

Pädiatrie aktuell – Forschung kurz notiert

Genetische Diagnostik unter Einbeziehung digitaler Systeme am Beispiel einer komplexen neuropädiatrischen Erkrankung

Lichtschutz für Lösungen zur parenteralen Ernährung von Säuglingen und Kindern bis zum Alter von 2 Jahren

Neu im Fachgebiet Pädiatrie

Neuer Typ-1-Diabetes bei Kindern am Wochenende eher übersehen

Neue Studienergebnisse zur Myopiekontrolle mit Atropin

Spinale Muskelatrophie: Neugeborenen-Screening lohnt sich

Fünf Dinge, die im Kindernotfall besser zu unterlassen sind

Update Pädiatrie