Skip to main content
Erschienen in: Die Radiologie 1/2020

06.12.2019 | Künstliche Intelligenz | Leitthema

Wie funktioniert maschinelles Lernen?

verfasst von: Dr. Dr. Jens Kleesiek, Jacob M. Murray, Christian Strack, Georgios Kaissis, Rickmer Braren

Erschienen in: Die Radiologie | Ausgabe 1/2020

Einloggen, um Zugang zu erhalten

Zusammenfassung

Hintergrund

Die Methoden des maschinellen Lernens und der künstlichen Intelligenz (KI) etablieren sich langsam aber sicher im medizinischen Alltag. Zukünftig werden sie uns bei Diagnose und Therapie unterstützen und so die Behandlung zum Wohl des Patienten verbessern. Es ist daher wichtig, sich mit diesem Thema auseinanderzusetzen und ein Grundverständnis dafür zu entwickeln.

Ziel der Arbeit

Dieser Artikel soll einen Überblick über das spannende und dynamische Feld des maschinellen Lernens geben und als Einführung in Methoden, v. a. des überwachten Lernens, dienen. Neben Definitionen und einfachen Beispielen werden auch Limitationen diskutiert.

Schlussfolgerung

Die Grundprinzipien der Methoden sind einfach. Dennoch sind die Gründe für eine Entscheidung häufig durch ihre hochdimensionale Natur nicht oder nur schwer durch den Menschen nachvollziehbar. Um Vertrauen in die neuen Technologien aufzubauen und eine sichere Anwendung zu garantieren, benötigen wir nachvollziehbare Algorithmen und prospektive Wirksamkeitsstudien.
Fußnoten
1
Bei einem Algorithmus handelt es sich um eine eindeutige Handlungsvorschrift, eine Art Rezept, das aus endlich vielen, wohldefinierten Einzelschritten besteht. Zur Lösung einer Aufgabe wird mit Hilfe eines Algorithmus eine definierte Eingabe in eine definierte Ausgabe überführt.
 
2
Regression bezeichnet die Vorhersage eines quantitativen Werts, beispielsweise eines Laborparameters.
 
Literatur
1.
Zurück zum Zitat Bryan RN (2016) Machine learning in radiology. RSNA News 26:4–6 Bryan RN (2016) Machine learning in radiology. RSNA News 26:4–6
7.
Zurück zum Zitat Isensee F, Petersen J, Kohl SAA et al (2019) nnU-Net: Breaking the Spell on Successful Medical Image Segmentation Isensee F, Petersen J, Kohl SAA et al (2019) nnU-Net: Breaking the Spell on Successful Medical Image Segmentation
12.
Zurück zum Zitat Rich E (1983) Artificial intelligence. McGraw-Hill Inc, US. ISBN 10: 0-070-52261-8 Rich E (1983) Artificial intelligence. McGraw-Hill Inc, US. ISBN 10: 0-070-52261-8
13.
Zurück zum Zitat van Soest J, Sun C, Mussmann O et al (2018) Using the personal health train for automated and privacy-preserving analytics on vertically partitioned data. Stud Health Technol Inform 247:581–585PubMed van Soest J, Sun C, Mussmann O et al (2018) Using the personal health train for automated and privacy-preserving analytics on vertically partitioned data. Stud Health Technol Inform 247:581–585PubMed
14.
Zurück zum Zitat Topol EJ (2019) Deep medicine: how artificial intelligence can make healthcare human again, 1. Aufl. Basic Books, Hachette Book Group, New York Topol EJ (2019) Deep medicine: how artificial intelligence can make healthcare human again, 1. Aufl. Basic Books, Hachette Book Group, New York
Metadaten
Titel
Wie funktioniert maschinelles Lernen?
verfasst von
Dr. Dr. Jens Kleesiek
Jacob M. Murray
Christian Strack
Georgios Kaissis
Rickmer Braren
Publikationsdatum
06.12.2019
Verlag
Springer Medizin
Erschienen in
Die Radiologie / Ausgabe 1/2020
Print ISSN: 2731-7048
Elektronische ISSN: 2731-7056
DOI
https://doi.org/10.1007/s00117-019-00616-x

Weitere Artikel der Ausgabe 1/2020

Die Radiologie 1/2020 Zur Ausgabe

Einführung zum Thema

Brave new world

Update Radiologie

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