Skip to main content
Erschienen in: Die Radiologie 3/2022

15.02.2022 | Künstliche Intelligenz | radClub

Future Perspectives: Wie beeinflusst künstliche Intelligenz die Entwicklung unseres Berufsfeldes?

verfasst von: Univ.-Prof. Dr. Ulrike Attenberger, Prof. Dr. Dr. h.c. Maximilian F. Reiser

Erschienen in: Die Radiologie | Ausgabe 3/2022

Einloggen, um Zugang zu erhalten

Auszug

Geoffrey Hinton, Professor für Computer Science an der Universität von Toronto, der als Begründer der künstlichen Intelligenz (KI) gilt, hat 2017 in einem Interview mit dem New Yorker geäußert, dass ihn die Radiologen an die bekannte Comic-Figur „Willi der Kojote“ erinnern, der über die Klippen gefallen war, ohne dies zu realisieren, da er nicht nach unten geschaut hat. Er rät den Medical Schools, keine Radiologen mehr auszubilden, da in 5, spätestens 10 Jahren das Deep Learning die Radiologen ersetzen würde. Inzwischen haben die Radiologen „nach unten geschaut“ und sich intensiv mit dem Thema der künstlichen Intelligenz beschäftigt. Während Pessimisten befürchten, dass die KI die Radiologen arbeitslos machen wird, gehen die Optimisten davon aus, dass die radiologische Diagnostik durch die KI genauer und besser wird, mühselige und zeitaufwändige Arbeiten wie Messen und Vergleichen verschiedener Bildserien überflüssig werden und insgesamt die Bedeutung der Radiologie weiter zunehmen wird. Bisher hat sich die Prognose von G. Hinton jedenfalls nicht erfüllt. Weltweit wird ein empfindlicher Mangel an Radiologen beklagt, und es ist zu hören, dass Prämien für die Gewinnung von Radiologen ausgelobt werden. Möglicherweise beschreibt Amara’s Law die Situation zutreffend: „We tend to overestimate the effect of a technology in the short run and underestimate the effect in the long run.“ …
Literatur
1.
Zurück zum Zitat Attenberger UI, Langs G (2021) How does radiomics actually work?—review. Rofo 193(6):652–657CrossRef Attenberger UI, Langs G (2021) How does radiomics actually work?—review. Rofo 193(6):652–657CrossRef
2.
Zurück zum Zitat El Naqa I, Haider MA, Giger ML, Ten Haken RK (2020) Artificial Intelligence: reshaping the practice of radiological sciences in the 21st century. Br J Radiol 93(1106):20190855CrossRef El Naqa I, Haider MA, Giger ML, Ten Haken RK (2020) Artificial Intelligence: reshaping the practice of radiological sciences in the 21st century. Br J Radiol 93(1106):20190855CrossRef
3.
Zurück zum Zitat Feng M, Valdes G, Dixit N, Solberg TD (2018) Machine learning in radiation oncology: opportunities, requirements, and needs. Front Oncol 8:110CrossRef Feng M, Valdes G, Dixit N, Solberg TD (2018) Machine learning in radiation oncology: opportunities, requirements, and needs. Front Oncol 8:110CrossRef
4.
Zurück zum Zitat Hardy M, Harvey H (2020) Artificial intelligence in diagnostic imaging: impact on the radiography profession. Br J Radiol 93(1108):20190840CrossRef Hardy M, Harvey H (2020) Artificial intelligence in diagnostic imaging: impact on the radiography profession. Br J Radiol 93(1108):20190840CrossRef
5.
Zurück zum Zitat Hricak H (2018) 2016 new horizons lecture: beyond imaging—radiology of tomorrow. Radiology 286(3):764–775CrossRef Hricak H (2018) 2016 new horizons lecture: beyond imaging—radiology of tomorrow. Radiology 286(3):764–775CrossRef
7.
Zurück zum Zitat Mun SK, Wong KH, Lo SB, Li Y, Bayarsaikhan S (2020) Artificial intelligence for the future radiology diagnostic service. Front Mol Biosci 7:614258CrossRef Mun SK, Wong KH, Lo SB, Li Y, Bayarsaikhan S (2020) Artificial intelligence for the future radiology diagnostic service. Front Mol Biosci 7:614258CrossRef
8.
Zurück zum Zitat Rumelhart DE, Hinton GE, Williams RJ (1986) Learning representations by back-propagating errors. Nature 323(6088):533–536CrossRef Rumelhart DE, Hinton GE, Williams RJ (1986) Learning representations by back-propagating errors. Nature 323(6088):533–536CrossRef
9.
Zurück zum Zitat Samuel AL (1959) Some studies in machine learning using the game of checkers. IBM J Res & Dev 3(3):210–229CrossRef Samuel AL (1959) Some studies in machine learning using the game of checkers. IBM J Res & Dev 3(3):210–229CrossRef
Metadaten
Titel
Future Perspectives: Wie beeinflusst künstliche Intelligenz die Entwicklung unseres Berufsfeldes?
verfasst von
Univ.-Prof. Dr. Ulrike Attenberger
Prof. Dr. Dr. h.c. Maximilian F. Reiser
Publikationsdatum
15.02.2022
Verlag
Springer Medizin
Erschienen in
Die Radiologie / Ausgabe 3/2022
Print ISSN: 2731-7048
Elektronische ISSN: 2731-7056
DOI
https://doi.org/10.1007/s00117-022-00969-w

Weitere Artikel der Ausgabe 3/2022

Die Radiologie 3/2022 Zur Ausgabe

Screening-Mammografie offenbart erhöhtes Herz-Kreislauf-Risiko

26.04.2024 Mammografie Nachrichten

Routinemäßige Mammografien helfen, Brustkrebs frühzeitig zu erkennen. Anhand der Röntgenuntersuchung lassen sich aber auch kardiovaskuläre Risikopatientinnen identifizieren. Als zuverlässiger Anhaltspunkt gilt die Verkalkung der Brustarterien.

S3-Leitlinie zu Pankreaskrebs aktualisiert

23.04.2024 Pankreaskarzinom Nachrichten

Die Empfehlungen zur Therapie des Pankreaskarzinoms wurden um zwei Off-Label-Anwendungen erweitert. Und auch im Bereich der Früherkennung gibt es Aktualisierungen.

Fünf Dinge, die im Kindernotfall besser zu unterlassen sind

18.04.2024 Pädiatrische Notfallmedizin Nachrichten

Im Choosing-Wisely-Programm, das für die deutsche Initiative „Klug entscheiden“ Pate gestanden hat, sind erstmals Empfehlungen zum Umgang mit Notfällen von Kindern erschienen. Fünf Dinge gilt es demnach zu vermeiden.

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

13.04.2024 Klinik aktuell Kongressbericht

Die Teilnehmer eines Forums beim DGIM-Kongress waren sich einig: Fehler in der Medizin sind häufig in ungeeigneten Prozessen und mangelnder Kommunikation begründet. Gespräche mit Patienten und im Team können helfen.

Update Radiologie

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