Skip to main content
Hauptrubriken
CME Facharzt-Training Webinare Zeitschriften Bücher e.Medpedia Podcast
Service
Jobbörse Info & Hilfe
Fachgebiete
Anästhesiologie Allgemeinmedizin Arbeitsmedizin Augenheilkunde Chirurgie Dermatologie Gynäkologie und Geburtshilfe HNO Innere Medizin Kardiologie Neurologie Onkologie und Hämatologie Orthopädie und Unfallchirurgie Pädiatrie Pathologie Psychiatrie Radiologie Rechtsmedizin Urologie Zahnmedizin
Themen
Klimawandel und Gesundheit Neues aus dem Markt COVID-19 Praxis und Beruf Seltene Erkrankungen GOÄ & EBM Panorama
Sammlungen
Kasuistiken Algorithmen & Infografiken Blickdiagnosen Arthropedia FlapFinder (für Dermatochirurgen) Videos Kongressberichterstattung Medizin für Apothekerinnen und Apotheker Für Ärztinnen und Ärzte in Weiterbildung Für Medizinstudierende
Erweiterte Suche
Anmelden
nach oben
Die Onkologie
Erschienen in: Die Onkologie 5/2024

08.01.2024 | Künstliche Intelligenz | Leitthema

Künstliche Intelligenz in der Radiologie und Strahlentherapie

verfasst von: Lina Xu, Felix Busch, Lisa C. Adams, PD Dr. med. Keno K. Bressem

Erschienen in: Die Onkologie | Ausgabe 5/2024

Einloggen, um Zugang zu erhalten

Zusammenfassung

Hintergrund

Die Anzahl von Tumordiagnosen und damit einhergehend auch die Menge radiologischer Bildgebungen haben in den letzten Jahren deutlich zugenommen.

Fragestellung

Überblick über Anwendungsmöglichkeiten von künstlicher Intelligenz (KI) in onkologischer Radiologie und Strahlentherapie.

Material und Methode

Darstellung von Einsatzgebieten der KI in Diagnostik und Behandlung von Tumorerkrankungen der Mamma, Lunge, Prostata, Leber und Schilddrüse.

Ergebnisse

Viele KI-Modelle sind beim Klassifizieren oder Segmentieren von Tumoren ähnlich leistungsstark wie Radiologen. Die Genauigkeit der Radiologen lässt sich durch KI-unterstütze Befundung wiederum deutlich steigern. Darüber hinaus gibt es Modelle, die zuverlässige Prognosen zu Tumorprogress, therapieassoziierten Strahlenschäden oder auch generellem Überleben abgeben können.

Schlussfolgerungen

Die KI bietet großes Potenzial in der Radiologie und Strahlentherapie, den klinischen Arbeitsalltag zu verbessern. Dennoch ist sie nicht als Ersatz, sondern als Ergänzung zu menschlicher Expertise zu verstehen. Bedeutsam ist, dass medizinisches Personal, welches KI anwendet, umfassend in den Möglichkeiten und Grenzen dieser Technologien geschult ist.
Literatur
1.
2.
Carter SM, Rogers W, Win KT et al (2020) The ethical, legal and social implications of using artificial intelligence systems in breast cancer care. Breast 49:25–32CrossRefPubMed
3.
Faiella E, Vertulli D, Esperto F et al (2022) Quantib prostate compared to an expert radiologist for the diagnosis of prostate cancer on mpMRI: a single-center preliminary study. Tomography 8:2010–2019CrossRefPubMedPubMedCentral
4.
Hosny A, Bitterman DS, Guthier CV et al (2022) Clinical validation of deep learning algorithms for radiotherapy targeting of non-small-cell lung cancer: an observational study. Lancet Digit Health 4:e657–e666CrossRefPubMedPubMedCentral
5.
Hosny A, Parmar C, Coroller TP et al (2018) Deep learning for lung cancer prognostication: a retrospective multi-cohort radiomics study. PLoS Med 15:e1002711CrossRefPubMedPubMedCentral
6.
Ibragimov B, Toesca D, Chang D et al (2017) Combining deep learning with anatomical analysis for segmentation of the portal vein for liver SBRT planning. Phys Med Biol 62:8943–8958CrossRefPubMedPubMedCentral
7.
Kim HE, Kim HH, Han BK et al (2020) Changes in cancer detection and false-positive recall in mammography using artificial intelligence: a retrospective, multireader study. Lancet Digit Health 2:e138–e148CrossRefPubMed
8.
Lång K, Josefsson V, Larsson AM et al (2023) Artificial intelligence-supported screen reading versus standard double reading in the Mammography Screening with Artificial Intelligence trial (MASAI): a clinical safety analysis of a randomised, controlled, non-inferiority, single-blinded, screening accuracy study. Lancet Oncol 24:936–944CrossRefPubMed
9.
Li X, Zhang S, Zhang Q et al (2019) Diagnosis of thyroid cancer using deep convolutional neural network models applied to sonographic images: a retrospective, multicohort, diagnostic study. Lancet Oncol 20:193–201CrossRefPubMed
10.
Liao W, Coupland CC, Burchardt CJ et al (2023) Predicting the future risk of lung cancer: development, and internal and external validation of the CanPredict (lung) model in 19·67 million people and evaluation of model performance against seven other risk prediction models. Lancet Respir Med 11:685–697CrossRefPubMed
11.
Liu G, Pan S, Zhao R et al (2023) The added value of AI-based computer-aided diagnosis in classification of cancer at prostate MRI. Eur Radiol 33:5118–5130CrossRefPubMed
12.
Mcdonald RJ, Schwartz KM, Eckel LJ et al (2015) The effects of changes in utilization and technological advancements of cross-sectional imaging on radiologist workload. Acad Radiol 22:1191–1198CrossRefPubMed
13.
Mckinney SM, Sieniek M, Godbole V et al (2020) International evaluation of an AI system for breast cancer screening. Nature 577:89–94CrossRefPubMed
14.
Mikhael PG, Wohlwend J, Yala A et al (2023) Sybil: a validated deep learning model to predict future lung cancer risk from a single low-dose chest computed tomography. J Clin Oncol 41:2191–2200CrossRefPubMedPubMedCentral
15.
Nguyen D, Long T, Jia X et al (2019) A feasibility study for predicting optimal radiation therapy dose distributions of prostate cancer patients from patient anatomy using deep learning. Sci Rep 9:1076CrossRefPubMedPubMedCentral
16.
Primakov SP, Ibrahim A, Van Timmeren JE et al (2022) Automated detection and segmentation of non-small cell lung cancer computed tomography images. Nat Commun 13:3423CrossRefPubMedPubMedCentral
17.
Schelb P, Kohl S, Radtke JP et al (2019) Classification of cancer at prostate MRI: deep learning versus clinical PI-RADS assessment. Radiology 293:607–617CrossRefPubMed
18.
Sushentsev N, Rundo L, Abrego L et al (2023) Time series radiomics for the prediction of prostate cancer progression in patients on active surveillance. Eur Radiol 33:3792–3800CrossRefPubMedPubMedCentral
19.
Taylor-Phillips S, Seedat F, Kijauskaite G et al (2022) UK national screening committee’s approach to reviewing evidence on artificial intelligence in breast cancer screening. Lancet Digit Health 4:e558–e565CrossRefPubMed
20.
Wang B, Lei Y, Tian S et al (2019) Deeply supervised 3D fully convolutional networks with group dilated convolution for automatic MRI prostate segmentation. Med Phys 46:1707–1718CrossRefPubMedPubMedCentral
21.
Wang CJ, Hamm CA, Savic LJ et al (2019) Deep learning for liver tumor diagnosis part II: convolutional neural network interpretation using radiologic imaging features. Eur Radiol 29:3348–3357CrossRefPubMedPubMedCentral
22.
Xia TY, Zhou ZH, Meng XP et al (2023) Predicting microvascular invasion in hepatocellular carcinoma using CT-based radiomics model. Radiology 307:e222729CrossRefPubMed
23.
Zhao Y, De Bock GH, Vliegenthart R et al (2012) Performance of computer-aided detection of pulmonary nodules in low-dose CT: comparison with double reading by nodule volume. Eur Radiol 22:2076–2084CrossRefPubMedPubMedCentral
24.
Zhou T, Xu L, Shi J et al (2023) US of thyroid nodules: can AI-assisted diagnostic system compete with fine needle aspiration? Eur Radiol
Metadaten
Titel
Künstliche Intelligenz in der Radiologie und Strahlentherapie
verfasst von
Lina Xu
Felix Busch
Lisa C. Adams
PD Dr. med. Keno K. Bressem
Publikationsdatum
08.01.2024
Verlag
Springer Medizin
Erschienen in
Die Onkologie / Ausgabe 5/2024
Print ISSN: 2731-7226
Elektronische ISSN: 2731-7234
DOI
https://doi.org/10.1007/s00761-023-01469-9

Weitere Artikel der Ausgabe 5/2024

Die Onkologie 5/2024 Zur Ausgabe

Onkologiekongresse

Wie umgehen mit Nebenwirkungen der Immuntherapie? – Der Preis der Checkpointblockade

Außer der Reihe

„Patient-reported outcomes“ in der onkologischen Versorgung – aktuelle Anwendungsfelder und Initiativen der Deutschen Krebsgesellschaft

Leitthema

Künstliche Intelligenz in der onkologischen Chirurgie

Einführung zum Thema

Von der Bildauswertung bis zur Entscheidungsunterstützung: KI-Anwendungen in der Onkologie

Leitthema

Künstliche Intelligenz in der Pathologie: Status quo und Zukunftsperspektiven

Journal Club

Selpercatinib beim fortgeschrittenen medullären Schilddrüsenkarzinom

Weitere Lesetipps

Dehnungsplastiken an der Nase: Analyse des postoperativen Verlaufs

Botulinumtoxin zur Behandlung des Bruxismus

CME: Cancer Survivorship – langfristig und bedarfsgerecht unterstützen

ANZEIGE

Erfolgreiche Therapie von hypertrophen Narben und Keloiden

ANZEIGE

Spektrum Dermatologie: Jetzt auch auf medbee – die App für Mediziner*innen

ANZEIGE

Dexpanthenol verstärkt die positiven Effekte der LASH-Methode

Passend zum Thema

ANZEIGE

Umfrage: Topika mit Dexpanthenol bei Radiodermatitis empfohlen

In der topischen Prävention der akuten Radiodermatitis werden Zubereitungen mit Dexpanthenol oder Harnstoff von deutschsprachigen Fachkreisen in der Radioonkologie am häufigsten empfohlen und als am wirksamsten bewertet. Bei der Behandlung der strahlenbedingten Hautschäden liegen Topika mit Dexpanthenol oder Kortikosteroide vorn [1]. 

ANZEIGE

Handekzem: Adhärenz bei topischer Therapie nicht zufriedenstellend

Einer klinischen Studie zufolge wendet nur etwa die Hälfte der Ekzem-Patient:innen ihre topische Therapie mit Kortikosteroiden wie verordnet an. Darüber hinaus nahm die Adhärenz im Zeitverlauf weiter ab. Bei einer gleichzeitig applizierten barrierestabilisierenden Basiscreme blieb die Anwendungsfrequenz dagegen über die Zeit stabil [1]. 

ANZEIGE

Bepanthen® unterstützt bei vielen Indikationen die Regeneration der Haut

Content Hub

Bepanthen® Wund- und Heilsalbe wird heute wie bei der Einführung vor 70 Jahren erfolgreich bei kleinen Alltagsverletzungen eingesetzt. Moderne Forschung – Untersuchungen an Hautmodellen, Genexpressionsanalysen und klinische Studien – schafft darüber hinaus Evidenz für neue Anwendungsgebiete. So kann die Dexpanthenol-haltige Salbe heute z.B. zur Nachbehandlung einer Lasertherapie bei aktinischer Keratose oder Tattoo-Entfernung eingesetzt werden. Erfahren Sie hier mehr über moderne Forschung zu Bepanthen.

Bayer Vital GmbH
Bildnachweise