Künstliche Intelligenz im Gesundheitswesen

Künstliche Intelligenz als Überbegriff steht schon länger im Fokus von Klinikern, Gesundheitsökonomen und medizinischen Wissenschaftlern. Entdeckungen in diesem weiten Feld sind aber nur vereinzelt im klinischen Alltag sichtbar, da insbesondere die diagnostische Entscheidungshoheit dem Menschen zugestanden wird. Doch steht schon heute fest: Der Einsatz von künstlicher Intelligenz wird nach und nach zu einem Wandel in der Medizin führen.

Publication History

Article published online:
17 March 2021

• Literatur

• 1 Deutscher Bundestag. Abschlussbericht der Enquete-Kommission KI des Deutschen Bundestages. www.bundestag.de/ausschuesse/weitere_gremien/enquete_ki Stand: 6.1.2021
• 2 Wikipedia. John McCarthy. https://de.wikipedia.org/wiki/John_McCarthy Stand: 6.1.2021
• 3 Krizhevsky A, Sutskever I, Hinton GE. ImageNet classification with deep convolutional neural networks. Commun ACM 2017; 60: 84-90 https://doi.org/10.1145/3065386 Stand: 6.1.2021
• 4 Wikipedia. Grafikprocessor. https://de.wikipedia.org/wiki/Grafikprocessor Stand: 6.1.2021
• 5 Aerzteblatt.de. Künstliche Intelligenz in der Medizin: Arztunterstützend, nicht arztersetzend. www.aerzteblatt.de/nachrichten/83587/Kuenstliche-Intelligenz-​in-der-Medizin-Arztunterstuetzend-nicht-arztersetzend Stand: 6.1.2021
• 6 Topol EJ. High-performance medicine: The convergence of human and artificial intelligence. Nat Med 2019; 25: 44-56
• 7 Singh R, Kalra MK, Nitiwarangkul C. et al. Deep learning in chest radiography: Detection of findings and presence of change. PLOS ONE 2018; 13: e0204155 https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0204155 Stand: 6.1.2021
• 8 Nam JG, Park S, Hwang EJ. et al. Development and validation of deep learning-based automatic detection algorithm for malignant pulmonary nodules on chest radiographs. Radiology 2018; 290: 218-228 https://pubs.rsna.org/doi/10.1148/radiol.2018180237 Stand: 6.1.2021
• 9 Wang X, Peng Y, Lu L. et al. ChestX-ray8: Hospital-scale chest X-ray database and benchmarks on weakly-supervised classification and localization of common thorax diseases. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017: 3462-3471 http://arxiv.org/abs/1705.02315 Stand: 6.1.2021
• 10 Titano JJ, Badgeley M, Schefflein J. et al. Automated deep-neural-network surveillance of cranial images for acute neurologic events. Nat Med 2018; 24: 1337-1341 Stand: 6.1.2021
• 11 Yang SJ, Berndl M, Michael Ando D. et al. Assessing microscope image focus quality with deep learning. BMC Bioinformatics 2018; 19: 77 https://doi.org/10.1186/s12859–018–2087–4 Stand: 6.1.2021
• 12 Krull A, Buchholz T, Jug F. Noise2Void: Learning denoising from single noisy images. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2019: 2124-2132
• 13 Esteva A, Kuprel B, Novoa RA. et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature 2017; 542: 115-118 www.nature.com/articles/nature21056 Stand: 6.1.2021
• 14 Wikipedia. Causal inference. https://en.wikipedia.org/wiki/Causal_inference Stand: 6.1.2021
• 15 Spiegelhalter D. Should we trust algorithms?. HDSR. 2020 https://hdsr.mitpress.mit.edu/pub/56lnenzj/release/1 Stand: 6.1.2021
• 16 Herzog L. Die Rettung der Arbeit. Berlin: Hanser Berlin; 2019
• 17 Rajkomar A, Dean J, Kohane I. Machine learning in medicine. N Engl J Med 2019; 380: 1347-1358