Künstliche Intelligenz in der Radiologie

Zusammenfassung

Die klinische Radiologie mit ihren digitalen Daten ist geradezu prädestiniert für den erfolgreichen Einsatz der künstlichen Intelligenz (KI). Am Beispiel verschiedener praktischer Anwendungen wird nachfolgend dargestellt, wo und wie die KI in der Radiologie eingesetzt wird und dabei auch die Frage beantwortet, inwieweit sie Radiolog*innen ersetzen kann.

Abstract trans Start

Due to the enormous amount of digital data clinical radiology is highly suitable for the successful operation of artificial intelligence (AI). AI is a rather diffuse term, which describes the ability of a computer to act intelligently and to solve problems independently. If we talk about AI, most often the more specific term “machine learning” is meant, which is the most important branch of AI. According to the FDA (Federal Drug Administration), the vast majority of AI-based technologies in medicine is computed in radiology. Main reasons for this are seen in an increasing need of medical specialists, an aging of society and increasing importance of screening examinations. As per the EU 35% of medical tasks could be automated. AI, therefore, constitutes a great opportunity to challenge the increasing shortage of qualified personal in medicine. On the basis of practical applications the following article shows where and how AI is used in radiology and examines to what extend radiologists may be replaced by AI.

Kernaussagen

• Wenn in der Radiologie von künstlicher Intelligenz die Rede ist, sind meist Techniken des Machine Learning gemeint.

• Machine-Learning-Algorithmen in der Radiologie haben einen unterschiedlichen Grad an Automatisierung und Einsatz in der klinischen Routine. Manchmal nimmt die/der Nutzer*in gar nicht wahr, dass sie/er von Machine-Learning-Algorithmen unterstützt wird.

• Machine Learning hat das Potenzial, die Arbeit von medizinisch-technischen-Röntgenassistent*innen und Radiolog*innen (noch) effektiver zu machen. Herausforderungen durch den demografischen Wandel kann so begegnet werden.

• Niemand weiß, wie viel radiologische Leistung durch Machine Learning in Zukunft ersetzt werden kann. Kommunikative Arbeitsanteile, wie das Gespräch mit Patient*innen und der Austausch mit Zuweiser*innen, werden aber sicherlich für lange Zeit erhalten bleiben.

• Algorithmen, deren Ergebnisse durch Nutzer*innen vor Freigabe bestätigt werden müssen, werfen in ethischer Hinsicht die geringsten Probleme auf.

Schlüsselwörter

künstliche Intelligenz - Radiologie

Key words

artificial intelligence - radiology

Publication History

Article published online:
02 June 2022

• Literatur

• 1 Bowne-Anderson H. The difference between AI and machine learning. 2020. Im Internet (Stand: 31.03.2022): https://resources.new.datacamp.com/resources/static/c5f2bfba582df430d6706a1af113e509/AI_Machine_Learning__1_.pdf
• 2 Kommission E. Bericht über die Auswirkungen künstlicher Intelligenz, des Internets der Dinge und der Robotik in Hinblick auf Sicherheit und Haftung. 2020
• 3 Kaplan A, Haenlein M. Siri, Siri, in my hand: Whoʼs the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. Bus Horizons 2018; 62: 15-25
• 4 Visvikis D, Rest CCL, Jaouen V. et al. Artificial intelligence, machine (deep) learning and radio(geno)mics: definitions and nuclear medicine imaging applications. Eur J Nucl Med Mol I 2019; 46: 2630-2637
• 5 Administration USF and D. Artificial Intelligence and Machine Learning (AI/ML)-Enabled Medical Devices. 2021. Im Internet (Stand: 31.03.2022): https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-and-machine-learning-aiml-enabled-medical-devices
• 6 Health E. Transforming healthcare with AI: The impact on the workforce and organisations. 2020. Im Internet (Stand: 31.03.2022): https://eithealth.eu/wp-content/uploads/2020/03/EIT-Health-and-McKinsey_Transforming-Healthcare-with-AI.pdf
• 7 Stone M. What patients want from their doctors. BMJ 2003; 326: 1294-1294
• 8 Turing AM. Computing Machinery and Intelligence. Mind 1950; LIX: 433-460
• 9 Motoyama M, Levchenko K, Kanich C. et al. Re: CAPTCHAs – Understanding CAPTCHA-Solving Services in an Economic Context. In: USENIX Securityʼ10: Proceedings of the 19th USENIX conference on Security. 2010: 18 Im Internet (Stand: 31.03.2022): https://dl.acm.org/doi/10.5555/1929820.1929858
• 10 Mayerhoefer ME, Materka A, Langs G. et al. Introduction to Radiomics. J Nucl Med 2020; 61: 488-495 DOI: 10.2967/jnumed.118.222893.
• 11 Gillies RJ, Kinahan PE, Hricak H. Radiomics: Images Are More than Pictures, They Are Data. Radiology 2016; 278: 563-577
• 12 Kromrey M-L, Tamada D, Johno H. et al. Reduction of respiratory motion artifacts in gadoxetate-enhanced MR with a deep learning–based filter using convolutional neural network. Eur Radiol 2020; 30: 5923-5932
• 13 Arndt C, Güttler F, Heinrich A. et al. Deep Learning CT Image Reconstruction in Clinical Practice. Röfo 2020; 193: 252-261
• 14 Maynard J, Okuchi S, Wastling S. et al. World Health Organization Grade II/III Glioma Molecular Status: Prediction by MRI Morphologic Features and Apparent Diffusion Coefficient. Radiology 2020; 298: E61-E61
• 15 Berlis A. MRT-Modelle sagen Genstatus von Gliomen voraus. Röfo 2021; 193: 369-370
• 16 Lambin P, Rios-Velazquez E, Leijenaar R. et al. Radiomics: extracting more information from medical images using advanced feature analysis. Eur J Cancer 2012; 48: 441-446
• 17 Parmar C, Grossmann P, Rietveld D. et al. Radiomic Machine-Learning Classifiers for Prognostic Biomarkers of Head and Neck Cancer. Frontiers Oncol 2015; 5: 272
• 18 Zhou B, Khosla A, Lapedriza A. et al. Learning Deep Features for Discriminative Localization. Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 2921-2929
• 19 Müller-Peltzer K, Kretzschmar L. et al. Figueiredo GN de et al. Present Limitations of Artificial Intelligence in the Emergency Setting – Performance Study of a Commercial, Computer-Aided Detection Algorithm for Pulmonary Embolism. Rofo 2021; 193: 1436-1444
• 20 Timmeren JE van Cester D, Tanadini-Lang S. et al. Radiomics in medical imaging – “how-to” guide and critical reflection. Insights Imaging 2020; 11: 91