Skip to main content
Erschienen in: Die Kardiologie 2/2022

21.03.2022 | Künstliche Intelligenz | Schwerpunkt Zur Zeit gratis

Anwendungen von künstlicher Intelligenz in der diagnostischen kardialen Bildanalyse

verfasst von: Prof. Dr.-Ing. Anja Hennemuth, Markus Hüllebrand, Patrick Doeblin, Nina Krüger, Sebastian Kelle

Erschienen in: Die Kardiologie | Ausgabe 2/2022

Einloggen, um Zugang zu erhalten

Zusammenfassung

Klinisch verfügbare KI(künstliche Intelligenz)-basierte Lösungen dienen der Prozessoptimierung und der Objektivierung bildbasierter Quantifizierung für die kardiale Diagnostik. Damit eröffnet sich eine breitere Anwendung der heutigen Hochleistungsmedizin auch außerhalb von universitären Zentren. In dieser Übersichtsarbeit wird über die Praxisrelevanz sowie die Anwendung der KI in der Bildvorverarbeitung und -segmentierung, der Diagnostik, des Phenotypings für die klinische Entscheidungsunterstützung sowie über den heutigen Stand des Datenschutzes und der interdisziplinären Zusammenarbeit berichtet. Die Weiterentwicklung hochqualitativer KI-basierter Lösungen unter Berücksichtigung aktueller Datenschutzvorgaben erfordert eine multidisziplinäre Zusammenarbeit und den Aufbau geeigneter Forschungsinfrastrukturen. KI-Anwendungen in der diagnostischen kardialen Bildanalyse ohne klinische Daten der Patienten und die letztendlich entscheidende kardiologische Expertise erscheinen für eine valide Befundung und damit Therapieentscheidung bei kardiologischen Patienten nicht sinnvoll.
Literatur
1.
Zurück zum Zitat Bernard O et al (2018) Deep learning techniques for automatic MRI cardiac multi-structures segmentation and diagnosis: is the problem solved? IEEE Trans Med Imaging 37(11):2514–2525PubMedCrossRef Bernard O et al (2018) Deep learning techniques for automatic MRI cardiac multi-structures segmentation and diagnosis: is the problem solved? IEEE Trans Med Imaging 37(11):2514–2525PubMedCrossRef
2.
Zurück zum Zitat Friedrich S et al (2021) Applications of artificial intelligence/machine learning approaches in cardiovascular medicine: a systematic review with recommendations. Eur Heart J 2(3):424–436 Friedrich S et al (2021) Applications of artificial intelligence/machine learning approaches in cardiovascular medicine: a systematic review with recommendations. Eur Heart J 2(3):424–436
3.
Zurück zum Zitat Ruijsink B et al (2020) Fully automated, quality-controlled cardiac analysis from CMR: validation and large-scale application to characterize cardiac function. JACC Cardiovasc Imaging 13(3):684–695PubMedCrossRef Ruijsink B et al (2020) Fully automated, quality-controlled cardiac analysis from CMR: validation and large-scale application to characterize cardiac function. JACC Cardiovasc Imaging 13(3):684–695PubMedCrossRef
4.
Zurück zum Zitat Zhou J et al (2021) Artificial intelligence in echocardiography: detection, functional evaluation, and disease diagnosis. Cardiovasc Ultrasound 19(1):29PubMedPubMedCentralCrossRef Zhou J et al (2021) Artificial intelligence in echocardiography: detection, functional evaluation, and disease diagnosis. Cardiovasc Ultrasound 19(1):29PubMedPubMedCentralCrossRef
6.
Zurück zum Zitat Raisi-Estabragh Z et al (2021) Cardiovascular magnetic resonance imaging in the UK Biobank: a major international health research resource. Eur Heart J Cardiovasc Imaging 22(3):251–258PubMedCrossRef Raisi-Estabragh Z et al (2021) Cardiovascular magnetic resonance imaging in the UK Biobank: a major international health research resource. Eur Heart J Cardiovasc Imaging 22(3):251–258PubMedCrossRef
7.
Zurück zum Zitat Diaz O et al (2021) Data preparation for artificial intelligence in medical imaging: A comprehensive guide to open-access platforms and tools. Phys Med 83:25–37PubMedCrossRef Diaz O et al (2021) Data preparation for artificial intelligence in medical imaging: A comprehensive guide to open-access platforms and tools. Phys Med 83:25–37PubMedCrossRef
8.
Zurück zum Zitat Ghorbani A et al (2020) Deep learning interpretation of echocardiograms. NP Digit Med 3:10CrossRef Ghorbani A et al (2020) Deep learning interpretation of echocardiograms. NP Digit Med 3:10CrossRef
10.
Zurück zum Zitat Berhane H et al (2020) Fully automated 3D aortic segmentation of 4D flow MRI for hemodynamic analysis using deep learning. Magn Reson Med 84(4):2204–2218PubMedPubMedCentralCrossRef Berhane H et al (2020) Fully automated 3D aortic segmentation of 4D flow MRI for hemodynamic analysis using deep learning. Magn Reson Med 84(4):2204–2218PubMedPubMedCentralCrossRef
11.
Zurück zum Zitat Haji-Valizadeh H et al (2021) Highly accelerated free-breathing real-time phase contrast cardiovascular MRI via complex-difference deep learning. Magn Reson Med 86(2):804–819PubMedCrossRef Haji-Valizadeh H et al (2021) Highly accelerated free-breathing real-time phase contrast cardiovascular MRI via complex-difference deep learning. Magn Reson Med 86(2):804–819PubMedCrossRef
12.
Zurück zum Zitat Zwanenburg A et al (2020) The image biomarker standardization initiative: standardized quantitative Radiomics for high-throughput image-based phenotyping. Radiology 295(2):328–338PubMedCrossRef Zwanenburg A et al (2020) The image biomarker standardization initiative: standardized quantitative Radiomics for high-throughput image-based phenotyping. Radiology 295(2):328–338PubMedCrossRef
13.
Zurück zum Zitat Baessler B et al (2018) Cardiac MRI texture analysis of T1 and T2 maps in patients with infarctlike acute myocarditis. Radiology 289(2):357–365PubMedCrossRef Baessler B et al (2018) Cardiac MRI texture analysis of T1 and T2 maps in patients with infarctlike acute myocarditis. Radiology 289(2):357–365PubMedCrossRef
14.
Zurück zum Zitat Mannil M et al (2020) Artificial intelligence and texture analysis in cardiac imaging. Curr Cardiol Rep 22(11):131PubMedCrossRef Mannil M et al (2020) Artificial intelligence and texture analysis in cardiac imaging. Curr Cardiol Rep 22(11):131PubMedCrossRef
15.
Zurück zum Zitat Murgia A et al (2020) Cardiac computed tomography radiomics: an emerging tool for the non-invasive assessment of coronary atherosclerosis. Cardiovasc Diagn Ther 10(6):2005–2017PubMedPubMedCentralCrossRef Murgia A et al (2020) Cardiac computed tomography radiomics: an emerging tool for the non-invasive assessment of coronary atherosclerosis. Cardiovasc Diagn Ther 10(6):2005–2017PubMedPubMedCentralCrossRef
16.
Zurück zum Zitat Xu P et al (2021) Radiomics: the next frontier of cardiac computed tomography. Circ Cardiovasc Imaging 14(3):e11747PubMedCrossRef Xu P et al (2021) Radiomics: the next frontier of cardiac computed tomography. Circ Cardiovasc Imaging 14(3):e11747PubMedCrossRef
18.
Zurück zum Zitat Tromp J et al (2022) Automated interpretation of systolic and diastolic function on the echocardiogram: a multicohort study. Lancet Digit Health 4(1):e46–e54PubMedCrossRef Tromp J et al (2022) Automated interpretation of systolic and diastolic function on the echocardiogram: a multicohort study. Lancet Digit Health 4(1):e46–e54PubMedCrossRef
19.
Zurück zum Zitat Hirata Y et al (2020) Deep learning for screening of pulmonary hypertension using standard chest X‑ray. Eur Heart J 41(Supplement_2):ehaa946.2246CrossRef Hirata Y et al (2020) Deep learning for screening of pulmonary hypertension using standard chest X‑ray. Eur Heart J 41(Supplement_2):ehaa946.2246CrossRef
20.
Zurück zum Zitat Jeong H‑G et al (2021) Classification of cardioembolic stroke based on a deep neural network using chest radiographs. EBioMedicine 69:103466PubMedPubMedCentralCrossRef Jeong H‑G et al (2021) Classification of cardioembolic stroke based on a deep neural network using chest radiographs. EBioMedicine 69:103466PubMedPubMedCentralCrossRef
21.
Zurück zum Zitat Ponikowski P et al (2016) 2016 ESC Guidelines for the diagnosis and treatment of acute and chronic heart failure: The Task Force for the diagnosis and treatment of acute and chronic heart failure of the European Society of Cardiology (ESC). Developed with the special contribution of the Heart Failure Association (HFA) of the ESC. Eur J Heart Fail 18(8):891–975PubMedCrossRef Ponikowski P et al (2016) 2016 ESC Guidelines for the diagnosis and treatment of acute and chronic heart failure: The Task Force for the diagnosis and treatment of acute and chronic heart failure of the European Society of Cardiology (ESC). Developed with the special contribution of the Heart Failure Association (HFA) of the ESC. Eur J Heart Fail 18(8):891–975PubMedCrossRef
22.
Zurück zum Zitat Kameshima H et al (2021) A phenotyping of diastolic function by machine learning improves prediction of clinical outcomes in heart failure. Front Cardiovasc Med 8:755109PubMedPubMedCentralCrossRef Kameshima H et al (2021) A phenotyping of diastolic function by machine learning improves prediction of clinical outcomes in heart failure. Front Cardiovasc Med 8:755109PubMedPubMedCentralCrossRef
23.
Zurück zum Zitat Woolley RJ et al (2021) Machine learning based on biomarker profiles identifies distinct subgroups of heart failure with preserved ejection fraction. Eur J Heart Fail 23(6):983–991PubMedCrossRef Woolley RJ et al (2021) Machine learning based on biomarker profiles identifies distinct subgroups of heart failure with preserved ejection fraction. Eur J Heart Fail 23(6):983–991PubMedCrossRef
24.
Zurück zum Zitat Sanchez-Martinez S et al (2018) Machine learning analysis of left ventricular function to characterize heart failure with preserved ejection fraction. Circ Cardiovasc Imaging 11(4):e7138PubMedCrossRef Sanchez-Martinez S et al (2018) Machine learning analysis of left ventricular function to characterize heart failure with preserved ejection fraction. Circ Cardiovasc Imaging 11(4):e7138PubMedCrossRef
25.
Zurück zum Zitat Assadi H et al (2021) Cardiac MRI for the prognostication of heart failure with preserved ejection fraction: A systematic review and meta-analysis. Magn Reson Imaging 76:116–122PubMedPubMedCentralCrossRef Assadi H et al (2021) Cardiac MRI for the prognostication of heart failure with preserved ejection fraction: A systematic review and meta-analysis. Magn Reson Imaging 76:116–122PubMedPubMedCentralCrossRef
27.
Zurück zum Zitat Bonde A et al (2021) Assessing the utility of deep neural networks in predicting postoperative surgical complications: a retrospective study. Lancet Digit Health 3(8):e471–e485PubMedCrossRef Bonde A et al (2021) Assessing the utility of deep neural networks in predicting postoperative surgical complications: a retrospective study. Lancet Digit Health 3(8):e471–e485PubMedCrossRef
28.
Zurück zum Zitat Meyer A et al (2018) Machine learning for real-time prediction of complications in critical care: a retrospective study. Lancet Respir Med 6(12):905–914PubMedCrossRef Meyer A et al (2018) Machine learning for real-time prediction of complications in critical care: a retrospective study. Lancet Respir Med 6(12):905–914PubMedCrossRef
29.
Zurück zum Zitat Nagueh SF et al (2016) Recommendations for the evaluation of left ventricular diastolic function by echocardiography: an update from the American Society of Echocardiography and the European association of cardiovascular imaging. J Am Soc Echocardiogr 29(4):277–314CrossRefPubMed Nagueh SF et al (2016) Recommendations for the evaluation of left ventricular diastolic function by echocardiography: an update from the American Society of Echocardiography and the European association of cardiovascular imaging. J Am Soc Echocardiogr 29(4):277–314CrossRefPubMed
30.
Zurück zum Zitat DuMont Schütte A et al (2021) Overcoming barriers to data sharing with medical image generation: a comprehensive evaluation. NPJ Digit Med 4(1):141PubMedPubMedCentralCrossRef DuMont Schütte A et al (2021) Overcoming barriers to data sharing with medical image generation: a comprehensive evaluation. NPJ Digit Med 4(1):141PubMedPubMedCentralCrossRef
31.
Zurück zum Zitat Diller G‑P et al (2020) Utility of deep learning networks for the generation of artificial cardiac magnetic resonance images in congenital heart disease. BMC Med Imaging 20(1):113PubMedPubMedCentralCrossRef Diller G‑P et al (2020) Utility of deep learning networks for the generation of artificial cardiac magnetic resonance images in congenital heart disease. BMC Med Imaging 20(1):113PubMedPubMedCentralCrossRef
33.
Zurück zum Zitat Thamsen B et al (2021) Synthetic database of aortic morphometry and hemodynamics: overcoming medical imaging data availability. IEEE Trans Med Imaging 40(5):1438–1449PubMedCrossRef Thamsen B et al (2021) Synthetic database of aortic morphometry and hemodynamics: overcoming medical imaging data availability. IEEE Trans Med Imaging 40(5):1438–1449PubMedCrossRef
34.
Zurück zum Zitat Scherer J et al (2020) Joint imaging platform for federated clinical data analytics. JCO Clin Cancer Inform 4:1027–1038PubMedCrossRef Scherer J et al (2020) Joint imaging platform for federated clinical data analytics. JCO Clin Cancer Inform 4:1027–1038PubMedCrossRef
Metadaten
Titel
Anwendungen von künstlicher Intelligenz in der diagnostischen kardialen Bildanalyse
verfasst von
Prof. Dr.-Ing. Anja Hennemuth
Markus Hüllebrand
Patrick Doeblin
Nina Krüger
Sebastian Kelle
Publikationsdatum
21.03.2022
Verlag
Springer Medizin
Erschienen in
Die Kardiologie / Ausgabe 2/2022
Print ISSN: 2731-7129
Elektronische ISSN: 2731-7137
DOI
https://doi.org/10.1007/s12181-022-00548-2

Weitere Artikel der Ausgabe 2/2022

Die Kardiologie 2/2022 Zur Ausgabe

Leitlinien kompakt für die Innere Medizin

Mit medbee Pocketcards sicher entscheiden.

Seit 2022 gehört die medbee GmbH zum Springer Medizin Verlag

Deeskalation in der Systemtherapie: Das Ziel muss bekannt sein

21.06.2024 Senologiekongress 2024 Kongressbericht

Anhand des Brustkrebssubtyps und des Risikos kann die Eskalationsstufe der Behandlung beim frühen Mammakarzinom festgelegt werden. Prof. Christian Jackisch, Essen, gab beim 43. Jahreskongress der Deutschen Gesellschaft für Senologie einen Einblick in bestehende Konzepte.

Wie wird Brustkrebs in zehn Jahren behandelt?

21.06.2024 Senologiekongress 2024 Kongressbericht

Beim 43. Jahreskongress der Deutschen Gesellschaft für Senologie haben vier Behandelnde verschiedener Fachrichtungen einen Blick in die Zukunft der Brustkrebstherapie gewagt. Wie könnte sie im Jahr 2034 aussehen?

Cannabis wirkt nicht antientzündlich

Cannabinoide Nachrichten

Die Wirksamkeit von Cannabisprodukten ist in einigen medizinischen Indikationen gesichert. Aber längst nicht alle Effekte, die Cannabis zugesprochen werden, lassen sich in Studien nachvollziehen. In der randomisierten, placebokontrollierten Studie MedCan-1 wurde der antiinflammatorische Effekt von Cannabidiol genauer unter die Lupe genommen.

So beeinflussen Herzinfarkte auf lange Sicht die Sterblichkeit

20.06.2024 ST-Hebungsinfarkt Nachrichten

Wie hoch ist bei Patienten, die nach einem ST-Hebungs-Myokardinfarkt die initiale Hochrisikophase überleben, auf lange Sicht das Sterberisiko? Eine Studie aus Dänemark liefert dazu nun aufschlussreiche Daten.

Update Innere Medizin

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