nach oben

Die Radiologie

Erschienen in:

11.12.2019 | Pathologie | Leitthema

Künstliche Intelligenz in der Radiologie

Was ist in den nächsten Jahren zu erwarten?

verfasst von: Johannes Haubold

Erschienen in: Die Radiologie | Ausgabe 1/2020

Einloggen, um Zugang zu erhalten

Zusammenfassung

Klinisches/methodisches Problem

Künstliche Intelligenz (KI) durchdringt immer mehr Felder der Radiologie. Ziel dieses Übersichtsartikels ist es, die zu erwartenden Entwicklungen in den nächsten 5 bis 10 Jahren zu zeigen sowie mögliche Vorteile und Risiken darzustellen.

Radiologische Standardverfahren

Aktuell wird jede Computertomographie (CT) mittels fest programmierter Algorithmen rekonstruiert. Pathologien werden vom Radiologen mit hohem zeitlichem Aufwand detektiert und mittels standardisierter Verfahren evaluiert.

Methodische Innovationen

KI kann bei all diesen Standardverfahren in der Zukunft Abhilfe schaffen. CT-Rekonstruktionen können mittels „generative adversarial networks“ (GAN) deutlich verbessert werden. Histologien können mittels auf Radiomics oder Deep Learning (DL) basierter Bildanalyse bewertet und die Prognose des Patienten hoch individualisiert vorhergesagt werden.

Leistungsfähigkeit

Die Leistungsfähigkeit der Netzwerke wird dabei stark von der Datenqualität beeinflusst und bedarf einer ausführlichen Validierung. Entscheidend ist auch die Fähigkeit und Bereitschaft der Hersteller, diese in die bestehenden RIS-/PACS-Systeme zu integrieren.

Bewertung

Künstliche Intelligenz wird in hohem Maße den Alltag des klinisch tätigen Radiologen beeinflussen. Publikationen zu den Risiken der Technik und zur adäquaten Validierung sind allerdings noch unterrepräsentiert. Neben der Erschließung neuer Anwendungsfelder bedarf es daher auch einer weiteren Erforschung möglicher Risiken.

Empfehlungen für die Praxis

KI wird in den nächsten 5 bis 10 Jahren vielfältige Möglichkeiten der Arbeitsverbesserung und -erleichterung bieten. Die Integration der Anwendungen in die vorhandenen RIS-/PACS-Systeme wird voraussichtlich über App-Stores und/oder bestehende Teleradiologienetzwerke ablaufen.

Kuan K, Ravaut M, Manek G et al (2017) Deep learning for lung cancer detection: tackling the Kaggle data science bowl 2017 challenge. ArXiv170509435 Cs

Bakas S, Reyes M, Jakab A et al (2018) Identifying the best machine learning algorithms for brain tumor segmentation, progression assessment, and overall survival prediction in the BRATS challenge

Halabi SS, Prevedello LM, Kalpathy-Cramer J et al (2018) The RSNA pediatric bone age machine learning challenge. Radiology 290:498–503CrossRef

Jacobs C, van Rikxoort EM, Murphy K et al (2016) Computer-aided detection of pulmonary nodules: a comparative study using the public LIDC/IDRI database. Eur Radiol 26:2139–2147CrossRef

Pehrson LM, Nielsen MB, Ammitzbøl Lauridsen C (2019) Automatic pulmonary nodule detection applying deep learning or machine learning algorithms to the LIDC-IDRI database: a systematic review. Diagnostics 9:29. https://doi.org/10.3390/diagnostics9010029 CrossRefPubMedCentral

Ardila D, Kiraly AP, Bharadwaj S et al (2019) End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nat Med 25:954–961CrossRef

McKee BJ, Regis SM, McKee AB et al (2015) Performance of ACR Lung-RADS in a clinical CT lung screening program. J Am Coll Radiol 12:273–276CrossRef

Raz DJ, Lanuti M, Gaissert HC et al (2011) Outcomes of patients with isolated adrenal metastasis from non-small cell lung carcinoma. Ann Thorac Surg 92:1788–1792 (discussion 1793)CrossRef

Lambin P, Rios-Velazquez E, Leijenaar R et al (2012) Radiomics: Extracting more information from medical images using advanced feature analysis. Eur J Cancer 48:441–446CrossRef

10.

Yang L, Dong D, Fang M et al (2018) Can CT-based radiomics signature predict KRAS/NRAS/BRAF mutations in colorectal cancer? Eur Radiol 28:2058–2067CrossRef

11.

Wu S, Zheng J, Li Y et al (2017) A radiomics nomogram for the preoperative prediction of lymph node metastasis in bladder cancer. Clin Cancer Res 23:6904–6911CrossRef

12.

Liu Z, Zhang X‑Y, Shi Y‑J et al (2017) Radiomics analysis for evaluation of pathological complete response to neoadjuvant chemoradiotherapy in locally advanced rectal cancer. Clin Cancer Res 23:7253–7262CrossRef

13.

van Timmeren JE, Leijenaar RTH, van Elmpt W et al (2016) Test-retest data for radiomics feature stability analysis: generalizable or study-specific? Tomography 2:361–365CrossRef

14.

Schwier M, van Griethuysen J, Vangel MG et al (2019) Repeatability of multiparametric prostate MRI radiomics features. Sci Rep 9:9441CrossRef

15.

Berenguer R, del Pastor-Juan MR, Canales-Vázquez J et al (2018) Radiomics of CT features may be nonreproducible and redundant: influence of CT acquisition parameters. Radiology 288:407–415CrossRef

16.

Liang G, Fouladvand S, Zhang J et al (2018) GANai: standardizing CT images using generative adversarial network with alternative improvement. bioRxiv 460188

17.

Cohen JP, Luck M, Honari S (2018) How to cure cancer (in images) with unpaired image translation

18.

Parmar C, Velazquez ER, Leijenaar R et al (2014) Robust radiomics feature quantification using semiautomatic volumetric segmentation. Plos One 9:e102107CrossRef

19.

Lao J, Chen Y, Li Z‑C et al (2017) A deep learning-based radiomics model for prediction of survival in glioblastoma multiforme. Sci Rep 7:1–8CrossRef

20.

Han Y, Sunwoo L, Ye JC (2018) k‑space deep learning for accelerated MRI. ArXiv180503779 Cs Stat

21.

Yang Q, Yan P, Zhang Y et al (2018) Low-dose CT image denoising using a generative adversarial network with Wasserstein distance and perceptual loss. IEEE Trans Med Imaging 37:1348–1357CrossRef

22.

Isola P, Zhu J‑Y, Zhou T et al (2016) Image-to-image translation with conditional adversarial networks

23.

Zhu J‑Y, Park T, Isola P et al (2017) Unpaired image-to-image translation using cycle-consistent adversarial networks. ArXiv170310593 CsCrossRef

24.

Winkel DJ, Heye T, Weikert 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

25.

Brown AD, Marotta TR (2018) Using machine learning for sequence-level automated MRI protocol selection in neuroradiology. J Am Med Inform Assoc 25:568–571CrossRef

26.

Stocker D, Finkenstaedt T, Kuehn B et al (2018) Performance of an automated versus a manual whole-body magnetic resonance imaging workflow. Invest Radiol 53:463CrossRef

27.

Piau A, Crissey R, Brechemier D et al (2019) A smartphone chatbot application to optimize monitoring of older patients with cancer. Int J Med Inf 128:18–23CrossRef

28.

Stephens TN, Joerin A, Rauws M et al (2019) Feasibility of pediatric obesity and prediabetes treatment support through Tess, the AI behavioral coaching chatbot. Transl Behav Med 9:440–447CrossRef

29.

Easton K, Potter S, Bec R et al (2019) A virtual agent to support individuals living with physical and mental comorbidities: co-design and acceptability testing. J Med Internet Res 21:e12996CrossRef

30.

Borza D, Danescu R, Itu R et al (2017) High-speed video system for micro-expression detection and recognition. Sensors. https://doi.org/10.3390/s17122913 CrossRefPubMed

Titel: Künstliche Intelligenz in der Radiologie
Was ist in den nächsten Jahren zu erwarten?
verfasst von: Johannes Haubold
Publikationsdatum: 11.12.2019
Verlag: Springer Medizin
Schlagwörter: Pathologie
Künstliche Intelligenz
Erschienen in: Die Radiologie / Ausgabe 1/2020
Print ISSN: 2731-7048
Elektronische ISSN: 2731-7056
DOI: https://doi.org/10.1007/s00117-019-00621-0

Neu im Fachgebiet Radiologie

18.04.2024 | Pädiatrische Notfallmedizin | Nachrichten

Update Radiologie

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

Newsletter bestellen

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

Springer Medizin

Künstliche Intelligenz in der Radiologie

Was ist in den nächsten Jahren zu erwarten?

Zusammenfassung

Klinisches/methodisches Problem

Radiologische Standardverfahren

Methodische Innovationen

Leistungsfähigkeit

Bewertung

Empfehlungen für die Praxis

Neu im Fachgebiet Radiologie

Fünf Dinge, die im Kindernotfall besser zu unterlassen sind

„Nur wer sich gut aufgehoben fühlt, kann auch für Patientensicherheit sorgen“

Wie toxische Männlichkeit der Gesundheit von Männern schadet

Studie bestätigt Potenzial von KI in der Radiologie

Update Radiologie

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

Springer Medizin

Zusammenfassung

Klinisches/methodisches Problem

Radiologische Standardverfahren

Methodische Innovationen

Leistungsfähigkeit

Bewertung

Empfehlungen für die Praxis

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

Weitere Artikel der Ausgabe 1/2020

Dentale Röntgendiagnostik mit der Panoramaschichtaufnahme – Technik und typische Bildbefunde

Künstliche Intelligenz in der Bildgebung der Lunge

Künstliche Intelligenz und Radiomics in der MRT-basierten Prostatadiagnostik

Brave new world

Maschinelles Lernen in der Radiologie

Wie funktioniert maschinelles Lernen?

Neu im Fachgebiet Radiologie

Fünf Dinge, die im Kindernotfall besser zu unterlassen sind

„Nur wer sich gut aufgehoben fühlt, kann auch für Patientensicherheit sorgen“

Wie toxische Männlichkeit der Gesundheit von Männern schadet

Studie bestätigt Potenzial von KI in der Radiologie

Update Radiologie