Skip to main content
main-content
Erschienen in: Monatsschrift Kinderheilkunde 8/2021

02.07.2021 | Diagnostische 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.
Literatur
1.
Zurück zum Zitat 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 47:7–15 CrossRef 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 47:7–15 CrossRef
2.
Zurück zum Zitat 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 29:6780–6789 CrossRef 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 29:6780–6789 CrossRef
3.
Zurück zum Zitat 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 18:47 CrossRef 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 18:47 CrossRef
9.
Zurück zum Zitat Gong E, Pauly JM, Wintermark M, Zaharchuk G (2018) Deep learning enables reduced gadolinium dose for contrast-enhanced MRI. J Magn Reson Imaging 48:330–340 CrossRef Gong E, Pauly JM, Wintermark M, Zaharchuk G (2018) Deep learning enables reduced gadolinium dose for contrast-enhanced MRI. J Magn Reson Imaging 48:330–340 CrossRef
10.
Zurück zum Zitat 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.​2018180736 CrossRef 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.​2018180736 CrossRef
12.
Zurück zum Zitat 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 51:371–377 CrossRef 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 51:371–377 CrossRef
14.
Zurück zum Zitat 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 40:154–161 CrossRef 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 40:154–161 CrossRef
16.
Zurück zum Zitat Lakhani P, Sundaram B (2017) Deep learning at chest radiography: automated classification of pulmonary tuberculosis by using convolutional neural networks. Radiology 284:574–582 CrossRef Lakhani P, Sundaram B (2017) Deep learning at chest radiography: automated classification of pulmonary tuberculosis by using convolutional neural networks. Radiology 284:574–582 CrossRef
17.
Zurück zum Zitat 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 287:313–322 CrossRef 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 287:313–322 CrossRef
18.
Zurück zum Zitat 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 50:482–449 CrossRef 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 50:482–449 CrossRef
19.
Zurück zum Zitat 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 35:489–494 CrossRef 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 35:489–494 CrossRef
20.
Zurück zum Zitat 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 155:16–22 CrossRef 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 155:16–22 CrossRef
21.
Zurück zum Zitat Moore MM, Slonimsky E, Long AD, Sze RW, Iyer RS (2019) Machine learning concepts, concerns and opportunitites for a pediatric radiologist. Pediatr Radiol 49:509–516 CrossRef Moore MM, Slonimsky E, Long AD, Sze RW, Iyer RS (2019) Machine learning concepts, concerns and opportunitites for a pediatric radiologist. Pediatr Radiol 49:509–516 CrossRef
23.
Zurück zum Zitat van Rijn R, Lequin MH, Thodberg HH (2009) Automatic determination of Greulich and Pyle bone age in healthy Dutch children. Pediatr Radiol 39:591–597 CrossRef van Rijn R, Lequin MH, Thodberg HH (2009) Automatic determination of Greulich and Pyle bone age in healthy Dutch children. Pediatr Radiol 39:591–597 CrossRef
24.
Zurück zum Zitat 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:e16606 CrossRef 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:e16606 CrossRef
27.
Zurück zum Zitat 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:e180001 PubMedPubMedCentral 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:e180001 PubMedPubMedCentral
28.
Zurück zum Zitat 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:e17158 CrossRef 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:e17158 CrossRef
29.
Zurück zum Zitat 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 17:385 CrossRef 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 17:385 CrossRef
30.
Zurück zum Zitat 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 54:55 CrossRef 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 54:55 CrossRef
31.
Zurück zum Zitat 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 34:27–34 CrossRef 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 34:27–34 CrossRef
33.
Zurück zum Zitat 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.e7 CrossRef 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.e7 CrossRef
Metadaten
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
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

Weitere Artikel der Ausgabe 8/2021

Monatsschrift Kinderheilkunde 8/2021 Zur Ausgabe

Mitteilungen der DGKJ

Mitteilungen der DGKJ

Newsletter

Bestellen Sie unseren kostenlosen Newsletter Update Pädiatrie und bleiben Sie gut informiert – ganz bequem per eMail.