nach oben

Die Radiologie

Erschienen in:

04.10.2021 | Pathologie | Leitthema

Strukturierte Befundung und künstliche Intelligenz

verfasst von: PD Dr. Johann-Martin Hempel, Daniel Pinto dos Santos

Erschienen in: Die Radiologie | Ausgabe 11/2021

Einloggen, um Zugang zu erhalten

Zusammenfassung

Hintergrund

Es gibt vielfältige Anwendungsmöglichkeiten der strukturierten Befundung („structured reporting“, SR) und der künstlichen Intelligenz (KI) in der Radiologie. Die Anzahl der wissenschaftlichen Publikationen steigt seit vielen Jahren kontinuierlich. Es existiert ein umfangreiches Portfolio verfügbarer KI-Algorithmen, die z. B. für die automatisierte Detektion und Vorselektion von Pathologien oder für die Erleichterung von Arbeitsabläufen innerhalb des Befundungsworkflows angeboten werden. Auch Geräte nutzen bereits KI-Algorithmen für die Verbesserung des Bedienungskomforts.

Methode

Die SR ist insbesondere für die Erfassung von maschinell auswertbaren, semantischen Daten aus radiologischen Befundberichten erforderlich. Vor dem Hintergrund von Zertifizierungsprozessen ist ihre Verwendung bereits Voraussetzung für die Akkreditierung der Deutschen Krebsgesellschaft als onkologisches Zentrum oder außerhalb Deutschlands als European Cancer Centre.

Ergebnisse

Die mittels SR erfassten Daten können maschinell zu Zwecken der Patientenversorgung, Forschung, Lehre und Qualitätssicherung ausgewertet werden. Die Extraktion valider Informationen aus Befundberichten in Prosaform mittels NLP (neurolinguistisches Programmieren) ist aufgrund der großen Variabilität und v. a. fehlender Informationen deutlich erschwert. Vor dem Hintergrund des überwachten Lernens werden für das Training von KI-Algorithmen oder KNN („k-nearest neighbours“) große Mengen validierter Daten benötigt. Auch die semantischen Daten aus strukturierten Befundberichten können von KI verarbeitet und zum Training verwendet werden.

Schlussfolgerung

KI und SR stellen somit Entitäten eines Kontinuums innerhalb der Radiologie dar, die sich zum Teil gegenseitig bedingen und vor allem sinnvoll ergänzen. Beide haben in diesem Feld ein großes Potenzial für tiefgreifende, anstehende Veränderungen und Weiterentwicklungen.

(2021) Künstliche Intelligenz in Produkten von Siemens Healthineers. https://www.siemens-healthineers.com/de/news/kuenstliche-intelligenz-in-produkten.html. Zugegriffen: 5. Juli 2021

DKG (2021) Zertifizierung der Deutschen Krebsgesellschaft: Dokumente. https://www.krebsgesellschaft.de/zertdokumente.html. Zugegriffen: 5. Juli 2021

Balleyguier C, Ayadi S, van Nguyen K, Vanel D, Dromain C, Sigal R (2007) BIRADS classification in mammography. Eur J Radiol 61(2):192–194. https://doi.org/10.1016/j.ejrad.2006.08.033CrossRefPubMed

Bauer J, Rohner-Rojas S, Holderried M (2020) Einrichtungsübergreifende Interoperabilität: Herausforderungen und Grundlagen für die technische Umsetzung. Radiologe 60(4):334–341. https://doi.org/10.1007/s00117-019-00626-9CrossRefPubMed

Boeing N (2018) Dein Freund und Lauscher. heise online

Bosmans JML, Weyler JJ, de Schepper AM, Parizel PM (2011) The radiology report as seen by radiologists and referring clinicians: results of the COVER and ROVER surveys. Radiology 259(1):184–195. https://doi.org/10.1148/radiol.10101045CrossRefPubMed

Bosmans JML, Neri E, Ratib O, Kahn CE (2015) Structured reporting: a fusion reactor hungry for fuel. Insights Imaging 6(1):129–132. https://doi.org/10.1007/s13244-014-0368-7CrossRefPubMed

Buchlak QD, Esmaili N, Leveque J‑C, Bennett C, Farrokhi F, Piccardi M (2021) Machine learning applications to neuroimaging for glioma detection and classification: an artificial intelligence augmented systematic review. J Clin Neurosci 89:177–198. https://doi.org/10.1016/j.jocn.2021.04.043CrossRefPubMed

Chen MC, Ball RL, Yang L, Moradzadeh N, Chapman BE, Larson DB, Langlotz CP, Amrhein TJ, Lungren MP (2018) Deep learning to classify radiology free-text reports. Radiology 286(3):845–852. https://doi.org/10.1148/radiol.2017171115CrossRefPubMed

10.

Chilamkurthy S, Ghosh R, Tanamala S, Biviji M, Campeau NG, Venugopal VK, Mahajan V, Rao P, Warier P (2018) Deep learning algorithms for detection of critical findings in head CT scans: a retrospective study. Lancet 392(10162):2388–2396. https://doi.org/10.1016/S0140-6736(18)31645-3CrossRefPubMed

11.

Curtis C, Liu C, Bollerman TJ, Pianykh OS (2018) Machine learning for predicting patient wait times and appointment delays. J Am Coll Radiol 15(9):1310–1316. https://doi.org/10.1016/j.jacr.2017.08.021CrossRefPubMed

12.

Elaine R (1993) Artificial intelligence. Computer science. McGraw-Hill, Auckland

13.

Ganeshan D, Duong P‑AT, Probyn L, Lenchik L, McArthur TA, Retrouvey M, Ghobadi EH, Desouches SL, Pastel D, Francis IR (2018) Structured reporting in radiology. Acad Radiol 25(1):66–73. https://doi.org/10.1016/j.acra.2017.08.005CrossRefPubMed

14.

Hackländer T (2013) Strukturierte Befundung in der Radiologie. Radiologe 53(7):613–617. https://doi.org/10.1007/s00117-013-2493-6CrossRefPubMed

15.

Hanna TN, Shekhani H, Maddu K, Zhang C, Chen Z, Johnson J‑O (2016) Structured report compliance: effect on audio dictation time, report length, and total radiologist study time. Emerg Radiol 23(5):449–453. https://doi.org/10.1007/s10140-016-1418-xCrossRefPubMed

16.

Hawkins CM, Hall S, Zhang B, Towbin AJ (2014) Creation and implementation of department-wide structured reports: an analysis of the impact on error rate in radiology reports. J Digit Imaging 27(5):581–587. https://doi.org/10.1007/s10278-014-9699-7CrossRefPubMedPubMedCentral

17.

Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJWL (2018) Artificial intelligence in radiology. Nat Rev Cancer 18(8):500–510. https://doi.org/10.1038/s41568-018-0016-5CrossRefPubMedPubMedCentral

18.

IHE Radiology Technical Committee (2016) IHE_RAD_Suppl_MRRT_Rev1.5_TI_2016-09-09

19.

Johnson AJ, Chen MYM, Zapadka ME, Lyders EM, Littenberg B (2010) Radiology report clarity: a cohort study of structured reporting compared with conventional dictation. J Am Coll Radiol 7(7):501–506. https://doi.org/10.1016/j.jacr.2010.02.008CrossRefPubMed

20.

Kim H, Garrido P, Tewari A, Xu W, Thies J, Niessner M, Pérez P, Richardt C, Zollhöfer M, Theobalt C (2018) Deep video portraits. ACM Trans Graph 37(4):1–14. https://doi.org/10.1145/3197517.3201283CrossRef

21.

Kleesiek J, Murray JM, Strack C, Kaissis G, Braren R (2020) Wie funktioniert maschinelles Lernen? Radiologe 60(1):24–31. https://doi.org/10.1007/s00117-019-00616-xCrossRefPubMed

22.

Kremp M (2018) Künstliche Intelligenz: Google Duplex ist gruselig gut. DER SPIEGEL

23.

Lindig T (2021) AIRAscore structure- Gesamthirnvolumetrie. https://arzt.airamed.de/airascore-structure-arzt. Zugegriffen: 3. Juli 2021

24.

Nakagawa M, Nakaura T, Namimoto T, Kitajima M, Uetani H, Tateishi M, Oda S, Utsunomiya D, Makino K, Nakamura H, Mukasa A, Hirai T, Yamashita Y (2018) Machine learning based on multi-parametric magnetic resonance imaging to differentiate glioblastoma multiforme from primary cerebral nervous system lymphoma. Eur J Radiol 108:147–154. https://doi.org/10.1016/j.ejrad.2018.09.017CrossRefPubMed

25.

Okada H, Weller M, Huang R, Finocchiaro G, Gilbert MR, Wick W, Ellingson BM, Hashimoto N, Pollack IF, Brandes AA, Franceschi E, Herold-Mende C, Nayak L, Panigrahy A, Pope WB, Prins R, Sampson JH, Wen PY, Reardon DA (2015) Immunotherapy response assessment in neuro-oncology: a report of the RANO working group. Lancet Oncol 16(15):e534–e542. https://doi.org/10.1016/S1470-2045(15)00088-1CrossRefPubMedPubMedCentral

26.

Pons E, Braun LMM, Hunink MGM, Kors JA (2016) Natural language processing in radiology: a systematic review. Radiology 279(2):329–343. https://doi.org/10.1148/radiol.16142770CrossRefPubMed

27.

Ridley LJ (2002) Guide to the radiology report. Australas Radiol 46(4):366–369. https://doi.org/10.1046/j.1440-1673.2002.01084.xCrossRefPubMed

28.

Rubin DL (2007) Creating and Curating a terminology for radiology: ontology modeling and analysis. J Digit Imaging 21(4):355–362. https://doi.org/10.1007/s10278-007-9073-0CrossRefPubMedPubMedCentral

29.

Schwartz LH, Panicek DM, Berk AR, Li Y, Hricak H (2011) Improving communication of diagnostic radiology findings through structured reporting. Radiology 260(1):174–181. https://doi.org/10.1148/radiol.11101913CrossRefPubMedPubMedCentral

30.

Strohm L, Hehakaya C, Ranschaert ER, Boon WPC, Moors EHM (2020) Implementation of artificial intelligence (AI) applications in radiology: hindering and facilitating factors. Eur Radiol 30(10):5525–5532. https://doi.org/10.1007/s00330-020-06946-yCrossRefPubMedPubMedCentral

31.

Turkbey B, Rosenkrantz AB, Haider MA, Padhani AR, Villeirs G, Macura KJ, Tempany CM, Choyke PL, Cornud F, Margolis DJ, Thoeny HC, Verma S, Barentsz J, Weinreb JC (2019) Prostate imaging reporting and data system version 2.1: 2019 update of prostate imaging reporting and data system version 2. Eur Urol 76(3):340–351. https://doi.org/10.1016/j.eururo.2019.02.033CrossRefPubMed

32.

Wittpahl V (2019) Künstliche Intelligenz. Springer, Berlin, Heidelberg, New YorkCrossRef

Titel: Strukturierte Befundung und künstliche Intelligenz
verfasst von: PD Dr. Johann-Martin Hempel
Daniel Pinto dos Santos
Publikationsdatum: 04.10.2021
Verlag: Springer Medizin
Schlagwörter: Pathologie
Künstliche Intelligenz
Erschienen in: Die Radiologie / Ausgabe 11/2021
Print ISSN: 2731-7048
Elektronische ISSN: 2731-7056
DOI: https://doi.org/10.1007/s00117-021-00920-5

Neu im Fachgebiet Radiologie

18.04.2024 | Pädiatrische Notfallmedizin | Nachrichten

Update Radiologie

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

Newsletter bestellen

Springer Medizin

Strukturierte Befundung und künstliche Intelligenz

Zusammenfassung

Hintergrund

Methode

Ergebnisse

Schlussfolgerung

Neu im Fachgebiet Radiologie

Fünf Dinge, die im Kindernotfall besser zu unterlassen sind

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

Wie toxische Männlichkeit der Gesundheit von Männern schadet

Studie bestätigt Potenzial von KI in der Radiologie

Update Radiologie

Springer Medizin

Zusammenfassung

Hintergrund

Methode

Ergebnisse

Schlussfolgerung

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Weitere Artikel der Ausgabe 11/2021

Klinische und radiologische Korrelation eines blutigen Tumors

Strukturierte Befundung: warum und warum nicht jetzt?

Seltene Raumforderung der Brust

Strukturierte Befundung in der Radiologie

Strukturierte Befundung in der Radiologie

Spinale Neoplasien

Neu im Fachgebiet Radiologie

Fünf Dinge, die im Kindernotfall besser zu unterlassen sind

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

Wie toxische Männlichkeit der Gesundheit von Männern schadet

Studie bestätigt Potenzial von KI in der Radiologie

Update Radiologie