Skip to main content
Erschienen in: best practice onkologie 4/2021

01.04.2021 | Diagnostik in der Onkologie | CME-Topic

Künstliche Intelligenz und maschinelles Lernen in der onkologischen Bildgebung

verfasst von: Prof. Dr. Dr. J. Kleesiek, J. M. Murray, C. Strack, S. Prinz, G. Kaissis, R. Braren

Erschienen in: best practice onkologie | Ausgabe 4/2021

Einloggen, um Zugang zu erhalten

Zusammenfassung

Maschinelles Lernen (ML) hält gegenwärtig Einzug in viele Bereiche der Gesellschaft, so auch in die Medizin. Diese Transformation birgt das Potenzial, den ärztlichen Berufsalltag drastisch zu verändern. In der Interaktion zwischen den Disziplinen und Modalitäten der onkologischen Patientenversorgung wird dies besonders deutlich. Computer erbringen in mehreren Forschungsarbeiten in Kollaboration mit Menschen oder allein bereits bessere Ergebnisse in der Tumoridentifikation, ihrer Klassifikation sowie beim Erstellen von Prognosen und bei der Therapieevaluation als Menschen. Zudem können Algorithmen – z. B. künstliche neuronale Netze (KNN), die für viele der gegenwärtigen Errungenschaften im ML-Feld verantwortlich sind – dies reproduzierbar, schnell und kostengünstig erbringen. Es ist heute schon absehbar, dass die Anwendung künstlicher Intelligenz sich zu einem integralen Bestandteil des ärztlichen Handels entwickeln und Vorteile für die onkologische Diagnostik und Therapie bieten wird.
Literatur
6.
Zurück zum Zitat Isensee F, Kickingereder P, Wick W et al (2018) No new-net Isensee F, Kickingereder P, Wick W et al (2018) No new-net
9.
Zurück zum Zitat Petersen J, Jäger PF, Isensee F et al (2019) Deep probabilistic modeling of glioma growth CrossRef Petersen J, Jäger PF, Isensee F et al (2019) Deep probabilistic modeling of glioma growth CrossRef
10.
Zurück zum Zitat Nikolov S, Blackwell S, Mendes R et al (2018) Deep learning to achieve clinically applicable segmentation of head and neck anatomy for radiotherapy Nikolov S, Blackwell S, Mendes R et al (2018) Deep learning to achieve clinically applicable segmentation of head and neck anatomy for radiotherapy
16.
Zurück zum Zitat Hekler A, Utikal JS, Enk AH et al (2019) Deep learning outperformed 11 pathologists in the classification of histopathological melanoma images. Eur J Cancer 118:91–96. https://​doi.​org/​10.​1016/​j.​ejca .2019.06.012 CrossRef Hekler A, Utikal JS, Enk AH et al (2019) Deep learning outperformed 11 pathologists in the classification of histopathological melanoma images. Eur J Cancer 118:91–96. https://​doi.​org/​10.​1016/​j.​ejca .2019.06.012 CrossRef
27.
Zurück zum Zitat Wu J, Zhou B, Peck D et al (2018) DeepMiner: discovering interpretable representations for mammogram classification and explanation Wu J, Zhou B, Peck D et al (2018) DeepMiner: discovering interpretable representations for mammogram classification and explanation
31.
Zurück zum Zitat Yue Y, Osipov A, Fraass B et al (2017) Identifying prognostic intratumor heterogeneity using pre- and post-radiotherapy 18F-FDG PET images for pancreatic cancer patients. J Gastrointest Oncol 8(138):127–138 CrossRef Yue Y, Osipov A, Fraass B et al (2017) Identifying prognostic intratumor heterogeneity using pre- and post-radiotherapy 18F-FDG PET images for pancreatic cancer patients. J Gastrointest Oncol 8(138):127–138 CrossRef
41.
Zurück zum Zitat Finlayson SG, Chung HW, Kohane IS, Beam AL (2018) Adversarial attacks against medical deep learning systems Finlayson SG, Chung HW, Kohane IS, Beam AL (2018) Adversarial attacks against medical deep learning systems
42.
Zurück zum Zitat Mirsky Y, Mahler T, Shelef I, Elovici Y (2019) CT-GAN: malicious tampering of 3D medical imagery using deep learning Mirsky Y, Mahler T, Shelef I, Elovici Y (2019) CT-GAN: malicious tampering of 3D medical imagery using deep learning
Metadaten
Titel
Künstliche Intelligenz und maschinelles Lernen in der onkologischen Bildgebung
verfasst von
Prof. Dr. Dr. J. Kleesiek
J. M. Murray
C. Strack
S. Prinz
G. Kaissis
R. Braren
Publikationsdatum
01.04.2021
Verlag
Springer Medizin
Erschienen in
best practice onkologie / Ausgabe 4/2021
Print ISSN: 0946-4565
Elektronische ISSN: 1862-8559
DOI
https://doi.org/10.1007/s11654-021-00298-9

Weitere Artikel der Ausgabe 4/2021

best practice onkologie 4/2021 Zur Ausgabe

onko-aktuell

onko-aktuell

Editorial

Editorial

Newsletter

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