Skip to main content
Hauptrubriken
CME Facharzt-Training Webinare Zeitschriften Bücher e.Medpedia Podcast
Service
Jobbörse Info & Hilfe
Fachgebiete
Anästhesiologie Allgemeinmedizin Arbeitsmedizin Augenheilkunde Chirurgie Dermatologie Gynäkologie und Geburtshilfe HNO Innere Medizin Kardiologie Neurologie Onkologie und Hämatologie Orthopädie und Unfallchirurgie Pädiatrie Pathologie Psychiatrie Radiologie Rechtsmedizin Urologie Zahnmedizin
Themen
Typ-2-Diabetes und Adipositas Klimawandel und Gesundheit Neues aus dem Markt COVID-19 Praxis und Beruf Seltene Erkrankungen GOÄ & EBM Panorama
Sammlungen
Kasuistiken Algorithmen & Infografiken Blickdiagnosen Arthropedia FlapFinder (für Dermatochirurgen) Videos Kongressberichterstattung Medizin für Apothekerinnen und Apotheker Für Ärztinnen und Ärzte in Weiterbildung Für Medizinstudierende

Die Highlights vom Kongress des American College of Cardiology 2024

Im April diskutierten die Herz-Kreislauf-Spezialisten aus der ganzen Welt auf dem  Kongress des American College of Cardiology (ACC) u.a. neue Therapieansätze bei akutem Myokardinfarkt, koronarer Herzerkrankung, kardiogenem Schock oder Aortenklappenstenose. In unserem Kongress-Dossier haben wir für Sie Berichte über die „Late-Breaking Trials“ und andere wichtige Studien zusammengestellt. 
Erweiterte Suche
Anmelden
nach oben
European Radiology
Erschienen in: European Radiology 6/2020

17.02.2020 | Imaging Informatics and Artificial Intelligence

Integrating artificial intelligence into the clinical practice of radiology: challenges and recommendations

verfasst von: Michael P. Recht, Marc Dewey, Keith Dreyer, Curtis Langlotz, Wiro Niessen, Barbara Prainsack, John J. Smith

Erschienen in: European Radiology | Ausgabe 6/2020

Einloggen, um Zugang zu erhalten

Abstract

Artificial intelligence (AI) has the potential to significantly disrupt the way radiology will be practiced in the near future, but several issues need to be resolved before AI can be widely implemented in daily practice. These include the role of the different stakeholders in the development of AI for imaging, the ethical development and use of AI in healthcare, the appropriate validation of each developed AI algorithm, the development of effective data sharing mechanisms, regulatory hurdles for the clearance of AI algorithms, and the development of AI educational resources for both practicing radiologists and radiology trainees. This paper details these issues and presents possible solutions based on discussions held at the 2019 meeting of the International Society for Strategic Studies in Radiology.

Key Points

• Radiologists should be aware of the different types of bias commonly encountered in AI studies, and understand their possible effects.
• Methods for effective data sharing to train, validate, and test AI algorithms need to be developed.
• It is essential for all radiologists to gain an understanding of the basic principles, potentials, and limits of AI.
Literatur
1.
2.
3.
Chockley K, Emanuel E (2016) The end of radiology? Three threats to the future practice of radiology. J Am Coll Radiol 13(12):1415–1420CrossRef
4.
Obermeyer Z, Emanuel EJ (2016) Predicting the future—big data, machine learning, and clinical medicine. N Engl J Med 375(13):1216CrossRef
5.
Langlotz CL (2019) Will artificial intelligence replace radiologists? Radiology: Artificial Intelligence 1(3):e190058
6.
Prainsack B (2017) Personalized medicine: empowered patients in the 21st century? New York University Press 100
7.
Jha S, Topol EJ (2018) Information and artificial intelligence. J Am Coll Radiol 15(3):509–511CrossRef
8.
Hagendorff T (2019) The ethics of AI ethics--an evaluation of guidelines. arXiv:1903.03425
9.
Schönberger D (2019) Artificial intelligence in healthcare: a critical analysis of the legal and ethical implications. Int J Law Info Tech 27(2):171–203CrossRef
10.
Anderson M, Anderson SL (2019) How should AI be developed, validated, and implemented in patient care? AMA J Ethics 21(2):E125–E130CrossRef
11.
12.
Balthazar P, Harri P, Prater A, Safdar NM (2018) Protecting your patients’ interests in the era of big data, artificial intelligence, and predictive analytics. J Am Coll Radiol 15(3):580–586CrossRef
13.
14.
Wachter S, Mittelstadt B, Russell C (2017) Counterfactual explanations without opening the black box: automated decisions and the GPDR. Harv JL Tech 31:841
15.
16.
Rigby MJ (2019) Ethical dimensions of using artificial intelligence in health care. AMA J Ethics 21(2):E121–E124CrossRef
17.
18.
Starmans MP, van der Voort SR, Tovar JMC, Veenland JF, Klein S, Niessen WJ (2020) Radiomics: data mining using quantitative medical image features. In: Zhou KS, Rueckert D, Fichtinger G (eds) Handbook of medical image computing and computer assisted intervention. Academic Press, pp 429–456
19.
20.
21.
22.
Maier-Hein L, Eisenmann M, Reinke A et al (2018) Why rankings of biomedical image analysis competitions should be interpreted with care. Nat Commun 9(1):5217CrossRef
23.
Halabi SS, Prevedello LM, Kalpathy-Cramer J et al (2019) The RSNA pediatric bone age machine learning challenge. Radiology 290(2):498–503CrossRef
24.
25.
26.
Naaktgeboren CA, de Groot JA, van Smeden M, Moons KG, Reitsma JB (2013) Evaluating diagnostic accuracy in the face of multiple reference standards. Ann Intern Med 159(3):195–202CrossRef
27.
Whiting P, Rutjes AWS, Reitsma JB, Glas AS, Bossuyt PMM, Kleijnen J (2004) Sources of variation and bias in studies of diagnostic accuracy: a systematic review. Ann Intern Med 140(3):189–202CrossRef
28.
Tricoci P, Allen JM, Kramer JM, Califf RM, Smith SC Jr (2009) Scientific evidence underlying the ACC/AHA clinical practice guidelines. JAMA 301:831–84128CrossRef
29.
Leung KY, van der Lijn F, Vrooman HA, Sturkenboom MC, Niessen WJ (2015) IT Infrastructure to support the secondary use of routinely acquired clinical imaging data for research. Neuroinformatics 13(1):65–81CrossRef
30.
31.
Dewey M, Bosserdt M, Dodd JD, Thun S, Kressel HY (2019) Clinical imaging research: higher evidence, global collaboration, improved reporting, and data sharing are the grand challenges. Radiology 291:547–552CrossRef
32.
33.
34.
35.
36.
Haase R, Schlattmann P, Gueret P et al (2019) Diagnosis of obstructive coronary artery disease using computed tomography angiography in patients with stable chest pain: meta-analysis of individual patient data. BMJ 365:I1945CrossRef
37.
38.
Adamson PD, Fordyce CB, McAllister DA, Udelson JE, Douglas PS, Newby DE (2018) Identification of patients with stable chest pain deriving minimal value from coronary computed tomography angiography: an external validation of the PROMISE minimal-risk tool. Int J Cardiol 252:31–34CrossRef
39.
Tajmir SH, Alkasab TK (2018) Toward augmented radiologists: changes in radiology education in the era of machine learning and artificial intelligence. Acad Radiol 25(6):747–750CrossRef
40.
Wood MJ, Teneholtz NA, Geis JR, Michalski MH, Andriole KP (2019) The need for a machine learning curriculum for radiologists. J Am Coll Radiol 16(5):740–742CrossRef
41.
Nguyen GK, Shetty AS (2018) Artificial intelligence and machine learning: opportunities for radiologists in training. J Am Coll Radiol 15(9):1320–1321CrossRef
42.
Collado-Mesa F, Alvarez E, Arheart K (2018) The role of artificial intelligence in diagnostic radiology: a survey at a single radiology residency training program. J Am Coll Radiol 15(12):1753–1757CrossRef
43.
Wilson HJ, Daugherty PR (2018) Collaborative intelligence: humans and AI are joining forces. Harv Bus Rev 96(4):114–123
44.
45.
46.
47.
48.
49.
Wartman SA, Combs CD (2018) Medical education must move from the information age to the age of artificial intelligence. Acad Med 93(8):1107–1109CrossRef
50.
Popenici SAD, Kerr S (2017) Exploring the impact of artificial intelligence on teaching and learning in higher education. Res Pract Technol Enhanc Learn 12(1):22CrossRef
51.
52.
53.
54.
55.
56.
Pesapane F, Volonté C, Codari M, Sardanelli F (2018) Artificial intelligence as a medical device in radiology: ethical and regulatory issues in Europe and the United States. Insights Imaging 9(5):745–753 747CrossRef
57.
58.
Metadaten
Titel
Integrating artificial intelligence into the clinical practice of radiology: challenges and recommendations
verfasst von
Michael P. Recht
Marc Dewey
Keith Dreyer
Curtis Langlotz
Wiro Niessen
Barbara Prainsack
John J. Smith
Publikationsdatum
17.02.2020
Verlag
Springer Berlin Heidelberg
Erschienen in
European Radiology / Ausgabe 6/2020
Print ISSN: 0938-7994
Elektronische ISSN: 1432-1084
DOI
https://doi.org/10.1007/s00330-020-06672-5

Weitere Artikel der Ausgabe 6/2020

European Radiology 6/2020 Zur Ausgabe

Ultrasound

Increased carotid artery wall stiffness and plaque prevalence in HIV infected patients measured with ultrasound elastography

Imaging Informatics and Artificial Intelligence

Preoperative prediction of parametrial invasion in early-stage cervical cancer with MRI-based radiomics nomogram

Neuro

Radiomics from magnetic resonance imaging may be used to predict the progression of white matter hyperintensities and identify associated risk factors

Cardiac

Vessel-specific coronary perfusion territories using a CT angiogram with a minimum cost path technique and its direct comparison to the American Heart Association 17-segment model

Gastrointestinal

Gadoxetic acid-enhanced MR imaging for hepatocellular carcinoma: molecular and genetic background

Oncology

A quantitative model based on clinically relevant MRI features differentiates lower grade gliomas and glioblastoma

Neu im Fachgebiet Radiologie

Darf man die Behandlung eines Neonazis ablehnen?

08.05.2024 Gesellschaft Nachrichten

In einer Leseranfrage in der Zeitschrift Journal of the American Academy of Dermatology möchte ein anonymer Dermatologe bzw. eine anonyme Dermatologin wissen, ob er oder sie einen Patienten behandeln muss, der eine rassistische Tätowierung trägt.

Ein Drittel der jungen Ärztinnen und Ärzte erwägt abzuwandern

07.05.2024 Klinik aktuell Nachrichten

Extreme Arbeitsverdichtung und kaum Supervision: Dr. Andrea Martini, Sprecherin des Bündnisses Junge Ärztinnen und Ärzte (BJÄ) über den Frust des ärztlichen Nachwuchses und die Vorteile des Rucksack-Modells.

Endlich: Zi zeigt, mit welchen PVS Praxen zufrieden sind

IT für Ärzte Nachrichten

Darauf haben viele Praxen gewartet: Das Zi hat eine Liste von Praxisverwaltungssystemen veröffentlicht, die von Nutzern positiv bewertet werden. Eine gute Grundlage für wechselwillige Ärztinnen und Psychotherapeuten.

Akuter Schwindel: Wann lohnt sich eine MRT?

28.04.2024 Schwindel Nachrichten

Akuter Schwindel stellt oft eine diagnostische Herausforderung dar. Wie nützlich dabei eine MRT ist, hat eine Studie aus Finnland untersucht. Immerhin einer von sechs Patienten wurde mit akutem ischämischem Schlaganfall diagnostiziert.

Update Radiologie

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

Newsletter bestellen
Bildnachweise