Skip to main content
main-content
Erschienen in: Die Urologie 4/2022

11.03.2022 | Prostatakarzinom | Leitthema

Künstliche Intelligenz (KI) in der Radiologie?

Brauchen wir langfristig noch so viele Radiologen?

verfasst von: Prof. Dr. med. David Bonekamp, H.-P. Schlemmer

Erschienen in: Die Urologie | Ausgabe 4/2022

Einloggen, um Zugang zu erhalten

Zusammenfassung

Wir befinden uns mitten in einer digitalen Revolution der Medizin. Da stellt sich die Frage, ob besonders Fächer wie die Radiologie, die sich oberflächlich betrachtet mit der Bildinterpretation beschäftigt, durch diese Revolution besonders verändern werden. Insbesondere ist zu diskutieren, ob nicht die zukünftige Erledigung zunächst einfacherer, dann komplexerer Bildanalyseaufgaben durch Computersysteme zu einem verminderten Bedarf an Radiologen führen wird. Was die Radiologie besonders auszeichnet ist ihre Schlüsselposition zwischen Hochtechnologie und medizinischer Versorgung. In diesem Beitrag wird diskutiert, dass nicht nur die Radiologie, sondern jedes medizinische Fach von Neuerungen durch die digitale Revolution betroffen sein wird, dass eine Redefinition der bildgebenden Fächer sinnvoll erscheint und dass im Rahmen immer größerer Bilddatenmengen die Ankunft der künstlichen Intelligenz (KI) in der Radiologie zu begrüßen ist, um überhaupt mit der derzeitigen Anzahl an Radiologen noch in Zukunft die Menge an Bilddaten beherrschen zu können. Weiterhin hat die zunehmende Befundlast in den letzten Jahren dazu geführt, dass Radiologen einen stark durch die Befundungsarbeit dominierten Arbeitsalltag erleben. Die KI kann in den genannten Bereichen zu einer Verbesserung der Effizienz sowie der Balance beitragen. Hinsichtlich der Facharztausbildung ist eine Integration informationstechnischer Inhalte in das Curriculum zu erwarten. Die Radiologie fungiert damit als Pionier des Einzugs der KI in die Medizin. Es ist zu erwarten, dass zu dem Zeitpunkt, an dem Radiologen durch KI wesentlich ersetzt werden können, ein Ersatz menschlicher Beiträge auch in anderen medizinischen und nicht-medizinischen Fächern weit fortgeschritten sein wird.
Literatur
1.
Zurück zum Zitat Bonekamp D, Schlemmer HP (2021) Machine learning and multiparametric MRI for early diagnosis of prostate cancer. Urologe A 60(5):576–591 CrossRef Bonekamp D, Schlemmer HP (2021) Machine learning and multiparametric MRI for early diagnosis of prostate cancer. Urologe A 60(5):576–591 CrossRef
2.
Zurück zum Zitat Schelb P et al (2019) Classification of cancer at prostate MRI: deep learning versus clinical PI-RADS assessment. Radiology 293(3):607–617 CrossRef Schelb P et al (2019) Classification of cancer at prostate MRI: deep learning versus clinical PI-RADS assessment. Radiology 293(3):607–617 CrossRef
3.
Zurück zum Zitat Zhang KS et al (2021) Improvement of PI-RADS-dependent prostate cancer classification by quantitative image assessment using radiomics or mean ADC. Magn Reson Imaging 82:9–17 CrossRef Zhang KS et al (2021) Improvement of PI-RADS-dependent prostate cancer classification by quantitative image assessment using radiomics or mean ADC. Magn Reson Imaging 82:9–17 CrossRef
4.
Zurück zum Zitat Netzer N et al (2021) Fully automatic deep learning in Bi-institutional prostate magnetic resonance imaging: effects of cohort size and heterogeneity. Invest Radiol 56(12):799–808 CrossRef Netzer N et al (2021) Fully automatic deep learning in Bi-institutional prostate magnetic resonance imaging: effects of cohort size and heterogeneity. Invest Radiol 56(12):799–808 CrossRef
5.
Zurück zum Zitat Pesapane F, Codari M, Sardanelli F (2018) Artificial intelligence in medical imaging: threat or opportunity? Radiologists again at the forefront of innovation in medicine. Eur Radiol Exp 2(1):1–10 CrossRef Pesapane F, Codari M, Sardanelli F (2018) Artificial intelligence in medical imaging: threat or opportunity? Radiologists again at the forefront of innovation in medicine. Eur Radiol Exp 2(1):1–10 CrossRef
7.
Zurück zum Zitat Reardon S (2019) Rise of robot radiologists. Nature 576(7787):S54–S54 CrossRef Reardon S (2019) Rise of robot radiologists. Nature 576(7787):S54–S54 CrossRef
8.
Zurück zum Zitat Kobayashi Y, Ishibashi M, Kobayashi H (2019) How will “democratization of artificial intelligence” change the future of radiologists? Jpn J Radiol 37(1):9–14 CrossRef Kobayashi Y, Ishibashi M, Kobayashi H (2019) How will “democratization of artificial intelligence” change the future of radiologists? Jpn J Radiol 37(1):9–14 CrossRef
9.
Zurück zum Zitat Tang A et al (2018) Canadian association of radiologists white paper on artificial intelligence in radiology. Can Assoc Radiol J 69(2):120–135 CrossRef Tang A et al (2018) Canadian association of radiologists white paper on artificial intelligence in radiology. Can Assoc Radiol J 69(2):120–135 CrossRef
10.
Zurück zum Zitat Canadian Association of Radiologists (CAR) Artificial Intelligence Working Group (2019) Canadian association of radiologists white paper on ethical and legal issues related to artificial intelligence in radiology. Can Assoc Radiol J 70(2):107–118 CrossRef Canadian Association of Radiologists (CAR) Artificial Intelligence Working Group (2019) Canadian association of radiologists white paper on ethical and legal issues related to artificial intelligence in radiology. Can Assoc Radiol J 70(2):107–118 CrossRef
11.
Zurück zum Zitat Larson DB et al (2020) Ethics of using and sharing clinical imaging data for artificial intelligence: a proposed framework. Radiology 295(3):675–682 CrossRef Larson DB et al (2020) Ethics of using and sharing clinical imaging data for artificial intelligence: a proposed framework. Radiology 295(3):675–682 CrossRef
12.
Zurück zum Zitat Jungmann F et al (2021) Attitudes toward artificial intelligence among radiologists, IT specialists, and industry. Acad Radiol 28(6):834–840 CrossRef Jungmann F et al (2021) Attitudes toward artificial intelligence among radiologists, IT specialists, and industry. Acad Radiol 28(6):834–840 CrossRef
13.
Zurück zum Zitat van Hoek J et al (2019) A survey on the future of radiology among radiologists, medical students and surgeons: students and surgeons tend to be more skeptical about artificial intelligence and radiologists may fear that other disciplines take over. Eur J Radiol 121:108742 CrossRef van Hoek J et al (2019) A survey on the future of radiology among radiologists, medical students and surgeons: students and surgeons tend to be more skeptical about artificial intelligence and radiologists may fear that other disciplines take over. Eur J Radiol 121:108742 CrossRef
14.
Zurück zum Zitat Pesapane F et al (2020) Myths and facts about artificial intelligence: why machine-and deep-learning will not replace interventional radiologists. Med Oncol 37(5):1–9 CrossRef Pesapane F et al (2020) Myths and facts about artificial intelligence: why machine-and deep-learning will not replace interventional radiologists. Med Oncol 37(5):1–9 CrossRef
15.
Zurück zum Zitat Obermeyer Z, Emanuel EJ (2016) Predicting the future—big data, machine learning, and clinical medicine. N Engl J Med 375(13):1216–1219 CrossRef Obermeyer Z, Emanuel EJ (2016) Predicting the future—big data, machine learning, and clinical medicine. N Engl J Med 375(13):1216–1219 CrossRef
16.
Zurück zum Zitat Hassabis D (2017) Artificial intelligence: chess match of the century. Nature 544(7651):413–414 CrossRef Hassabis D (2017) Artificial intelligence: chess match of the century. Nature 544(7651):413–414 CrossRef
17.
Zurück zum Zitat Gibney E (2016) Google AI algorithm masters ancient game of Go. Nature 529(7587):445 CrossRef Gibney E (2016) Google AI algorithm masters ancient game of Go. Nature 529(7587):445 CrossRef
18.
Zurück zum Zitat Hannun A et al (2014) Deep speech: scaling up end-to-end speech recognition (arXiv:1412.5567) Hannun A et al (2014) Deep speech: scaling up end-to-end speech recognition (arXiv:1412.5567)
19.
Zurück zum Zitat LeCun Y, Bengio Y, Hinton G (2015) Deep learning. Nature 521(7553):436–444 CrossRef LeCun Y, Bengio Y, Hinton G (2015) Deep learning. Nature 521(7553):436–444 CrossRef
20.
Zurück zum Zitat Russell S, Dewey D, Tegmark M (2015) Research priorities for robust and beneficial artificial intelligence: an open letter. Ai Magazine 36(4):105–114 CrossRef Russell S, Dewey D, Tegmark M (2015) Research priorities for robust and beneficial artificial intelligence: an open letter. Ai Magazine 36(4):105–114 CrossRef
22.
Zurück zum Zitat Fehr D et al (2015) Automatic classification of prostate cancer Gleason scores from multiparametric magnetic resonance images. Proc Natl Acad Sci USA 112(46):E6265–E6273 CrossRef Fehr D et al (2015) Automatic classification of prostate cancer Gleason scores from multiparametric magnetic resonance images. Proc Natl Acad Sci USA 112(46):E6265–E6273 CrossRef
23.
Zurück zum Zitat Wang J et al (2017) Machine learning-based analysis of MR radiomics can help to improve the diagnostic performance of PI-RADS v2 in clinically relevant prostate cancer. Eur Radiol 27(10):4082–4090 CrossRef Wang J et al (2017) Machine learning-based analysis of MR radiomics can help to improve the diagnostic performance of PI-RADS v2 in clinically relevant prostate cancer. Eur Radiol 27(10):4082–4090 CrossRef
24.
Zurück zum Zitat Bonekamp D et al (2018) Radiomic machine learning for characterization of prostate lesions with MRI: comparison to ADC values. Radiology 289(1):128–137 CrossRef Bonekamp D et al (2018) Radiomic machine learning for characterization of prostate lesions with MRI: comparison to ADC values. Radiology 289(1):128–137 CrossRef
25.
Zurück zum Zitat Cameron A et al (2015) MAPS: a quantitative radiomics approach for prostate cancer detection. IEEE Trans Biomed Eng 63(6):1145–1156 CrossRef Cameron A et al (2015) MAPS: a quantitative radiomics approach for prostate cancer detection. IEEE Trans Biomed Eng 63(6):1145–1156 CrossRef
26.
Zurück zum Zitat Armato SG et al (2018) PROSTATEx challenges for computerized classification of prostate lesions from multiparametric magnetic resonance images. J Med Imaging 5(4):44501 CrossRef Armato SG et al (2018) PROSTATEx challenges for computerized classification of prostate lesions from multiparametric magnetic resonance images. J Med Imaging 5(4):44501 CrossRef
27.
Zurück zum Zitat Radtke JP et al (2016) Multiparametric magnetic resonance imaging (MRI) and MRI-transrectal ultrasound fusion biopsy for index tumor detection: correlation with radical prostatectomy specimen. Eur Urol 70(5):846–853 CrossRef Radtke JP et al (2016) Multiparametric magnetic resonance imaging (MRI) and MRI-transrectal ultrasound fusion biopsy for index tumor detection: correlation with radical prostatectomy specimen. Eur Urol 70(5):846–853 CrossRef
29.
Zurück zum Zitat Reinke A et al (2021) Common limitations of image processing metrics: a picture story (arXiv:2104.05642) Reinke A et al (2021) Common limitations of image processing metrics: a picture story (arXiv:2104.05642)
30.
Zurück zum Zitat Schelb P et al (2021) Simulated clinical deployment of fully automatic deep learning for clinical prostate MRI assessment. Eur Radiol 31(1):302–313 CrossRef Schelb P et al (2021) Simulated clinical deployment of fully automatic deep learning for clinical prostate MRI assessment. Eur Radiol 31(1):302–313 CrossRef
31.
Zurück zum Zitat Schelb P et al (2021) Comparison of prostate MRI lesion segmentation agreement between multiple radiologists and a fully automatic deep learning system. Rofo 193(5):559–573 CrossRef Schelb P et al (2021) Comparison of prostate MRI lesion segmentation agreement between multiple radiologists and a fully automatic deep learning system. Rofo 193(5):559–573 CrossRef
32.
Zurück zum Zitat Tavakoli AA et al (2021) Measured multipoint ultra-high b‑value diffusion MRI in the assessment of MRI-detected prostate lesions. Invest Radiol 56(2):94–102 CrossRef Tavakoli AA et al (2021) Measured multipoint ultra-high b‑value diffusion MRI in the assessment of MRI-detected prostate lesions. Invest Radiol 56(2):94–102 CrossRef
33.
Zurück zum Zitat Wang X et al (2021) Comparison of single-scanner single-protocol quantitative ADC measurements to ADC ratios to detect clinically significant prostate cancer. Eur J Radiol 136:109538 CrossRef Wang X et al (2021) Comparison of single-scanner single-protocol quantitative ADC measurements to ADC ratios to detect clinically significant prostate cancer. Eur J Radiol 136:109538 CrossRef
Metadaten
Titel
Künstliche Intelligenz (KI) in der Radiologie?
Brauchen wir langfristig noch so viele Radiologen?
verfasst von
Prof. Dr. med. David Bonekamp
H.-P. Schlemmer
Publikationsdatum
11.03.2022
Verlag
Springer Medizin
Erschienen in
Die Urologie / Ausgabe 4/2022
Print ISSN: 2731-7064
Elektronische ISSN: 2731-7072
DOI
https://doi.org/10.1007/s00120-022-01768-w

Weitere Artikel der Ausgabe 4/2022

Die Urologie 4/2022 Zur Ausgabe

AUO

AUO

Mitteilungen der DGU

Mitteilungen der DGU

Aktuelles aus der DGU-Pressestelle

Aktuelles aus der DGU-Pressestelle

Passend zum Thema

ANZEIGE

Krebsassoziierte Thrombose: NMH oder DOAK?

Vergleichsstudien gibt es mittlerweile einige, doch sind diese auf den klinischen Alltag übertragbar? Prof. Matzdorff, Schwedt, erläutert im Interview wichtige Entscheidungskriterien, die Ihnen mehr Sicherheit im Thrombosemanagement Ihrer Hochrisikopatienten geben.

Jetzt herunterladen: PDF: Publikation: Thromboseprophylaxe in der Onkologie und Schwangerschaft: 700,7 KB
ANZEIGE

Publikation: VTE-Inzidenz bei Krebs in den letzten 20 Jahren verdreifacht

Krebspatienten mit modernen Antikrebsmedikamenten sind vielleicht sogar stärker VTE-gefährdet als Patienten unter Chemotherapie. Auch Schwangere gehören zur VTE-Hochrisikogruppe. Über das Thrombosemanagement bei Risikopatienten diskutierten Experten auf dem DGA 2021. 

ANZEIGE

Management von Thromboembolien bei Krebspatienten

Die Thromboembolie ist neben Infektionen die zweithäufigste Todesursache bei Krebspatienten. Die Behandlung der CAT (cancer associated thrombosis) ist komplex und orientiert sich am individuellen Patienten. Angesichts einer Vielzahl zur Verfügung stehender medikamentöser Behandlungsoptionen finden Sie hier Video-Experteninterviews, Sonderpublikationen und aktuelle Behandlungsalgorithmen zur Therapieentscheidung auf Basis von Expertenempfehlungen.