Download PDF
Nervenheilkunde 2023; 42(09): 591-601
DOI: 10.1055/a-2050-0768
Schwerpunkt

Künstliche Intelligenz in der Neurologie

Anwendungen, Algorithmen, AnforderungenArtificial intelligence in neurologyApplications, algorithms, requirements
Tim L. T. Wiegand
1   cBRAIN, Klinik und Poliklinik für Kinder- und Jugendpsychiatrie, Psychosomatik und Psychotherapie, LMU Klinikum, Ludwig-Maximilians-Universität München
1   cBRAIN, Klinik und Poliklinik für Kinder- und Jugendpsychiatrie, Psychosomatik und Psychotherapie, LMU Klinikum, Ludwig-Maximilians-Universität München
1   cBRAIN, Klinik und Poliklinik für Kinder- und Jugendpsychiatrie, Psychosomatik und Psychotherapie, LMU Klinikum, Ludwig-Maximilians-Universität München
,
Laura I. Velezmoro
3   LMU AIM, Ludwig-Maximilians-Universität München
4   Klinik und Poliklinik für Strahlentherapie und Radioonkologie, LMU Klinikum, Ludwig-Maximilians-Universität München
,
Leonard B. Jung
1   cBRAIN, Klinik und Poliklinik für Kinder- und Jugendpsychiatrie, Psychosomatik und Psychotherapie, LMU Klinikum, Ludwig-Maximilians-Universität München
2   Psychiatry Neuroimaging Laboratory, Department of Psychiatry, Brigham and Women’s Hospital, Harvard Medical School, Boston
3   LMU AIM, Ludwig-Maximilians-Universität München
,
Felix Wimbauer
3   LMU AIM, Ludwig-Maximilians-Universität München
5   Computer Vision Group, School of Computation, Information and Technology, Technische Universität München
,
Konstantinos Dimitriadis
6   Neurologische Klinik und Poliklinik, LMU Klinikum, Ludwig-Maximilians-Universität München
9   ‡ geteilte Letztautorenschaft
,
Inga K. Koerte
1   cBRAIN, Klinik und Poliklinik für Kinder- und Jugendpsychiatrie, Psychosomatik und Psychotherapie, LMU Klinikum, Ludwig-Maximilians-Universität München
2   Psychiatry Neuroimaging Laboratory, Department of Psychiatry, Brigham and Women’s Hospital, Harvard Medical School, Boston
7   Graduate School of Systemic Neurosciences, Ludwig-Maximilians-Universität München
8   Department of Psychiatry, Massachusetts General Hospital, Harvard Medical School, Boston
9   ‡ geteilte Letztautorenschaft
› Author Affiliations
› Further Information
Also available at
   Permissions and Reprints

ZUSAMMENFASSUNG

Künstliche Intelligenz (KI) kann große Datenmengen verarbeiten und interpretieren und birgt daher großes Potenzial für die Neurologie. Viele neurologische Erkrankungen erfordern umfangreiche multimodale Diagnostik und personalisierte Therapiekonzepte, die durch KI automatisiert bzw. optimiert werden können. Hinter der KI verbergen sich komplexe Algorithmen. Ziel dieser Arbeit ist es, einen Überblick über Grundbegriffe, Algorithmen und Anwendungen der KI in der Neurologie zu vermitteln.

Es existiert eine Vielzahl an KI-Modellen. Besonders leistungsstark sind neuronale Netze und Transformer. Neuronale Netze können durch die Verarbeitung statischer Eingabedaten, z. B. von radiologischen Bildern, Verdachtsdiagnosen oder Prognoseeinschätzungen abgeben. Ihre Funktionsweise basiert auf einer großen Anzahl kleiner Recheneinheiten, den Neuronen, die zu Netzen angeordnet sind. Transformer hingegen können sequenzielle Daten wie Text verarbeiten und somit, z. B. basierend auf Anamnesegesprächen, Verdachtsdiagnosen ausgeben oder Befundberichte formulieren. Sie berechnen hierzu die Beziehung der einzelnen Textsegmente zueinander, sodass diese bei der Verarbeitung berücksichtigt werden können.

Ein grundlegendes Verständnis der Anwendungen und Funktionsweisen der KI, aber auch der Herausforderungen und Limitationen ist für den erfolgreichen Einsatz in der neurologischen Forschung und Praxis entscheidend.

ABSTRACT

Artificial intelligence (AI) can process and interpret large amounts of data and thus shows great potential in neurology. Many neurological diseases require extensive multimodal diagnostics and personalized therapy that can be automated or optimized by AI. AI comprises complex algorithms. This article aims to provide an overview of the basic terminology, algorithms, and applications of AI in neurology.

There is an increasingly large number of different AI models. Currently, neural networks and transformers are particularly powerful. Neural networks can, for example, provide diagnostic or prognostic assessments by processing static input data such as radiological images. They use many small computational units, neurons, arranged into networks. Transformers can process and output sequential data such as text. They can thus, for example, provide tentative diagnoses or formulate reports of findings based on anamnesis interviews. Transformers calculate the relationship of the individual text segments to each other so that these can be considered during processing.

A basic understanding of the applications and functionality of AI, but also of the challenges and limitations, is crucial for its successful use in neurological research and practice.

Schlüsselwörter

Künstliche Intelligenz - neuronale Netze - Transformer - Digitalisierung

Key words

Artificial intelligence - neural networks - transformer - digitalization


Publication History

Article published online:
04 September 2023

© 2023. Thieme. All rights reserved.

Georg Thieme Verlag KG
Rüdigerstraße 14, 70469 Stuttgart, Germany

 

  • Literatur

  • 1 Patel UK, Anwar A, Saleem S. et al Artificial intelligence as an emerging technology in the current care of neurological disorders. J Neurol 2021; 268: 1623-1642
    CrossrefPubMedSearch in Google Scholar
  • 2 Saeedi S, Rezayi S, Keshavarz H. et al MRI-based brain tumor detection using convolutional deep learning methods and chosen machine learning techniques. BMC Medical Informatics and Decision Making 2023; 23: 16
    CrossrefPubMedSearch in Google Scholar
  • 3 Alashwal H, El Halaby M, Crouse JJ. et al The Application of Unsupervised Clustering Methods to Alzheimer’s Disease. Frontiers in Computational Neuroscience 2019: 13
    CrossrefPubMedSearch in Google Scholar
  • 4 Koretsky MJ, Alvarado C, Makarious MB. et al Genetic risk factor clustering within and across neurodegenerative diseases. Brain: a journal of neurology; 2023. 10.1093/brain/awad161
    CrossrefSearch in Google Scholar
  • 5 Barnoy Y, O’Brien M, Wang W. et al Robotic surgery with lean reinforcement learning. arXiv preprint arXiv:210501006 2021
  • 6 Liu S, See KC, Ngiam KY. et al Reinforcement Learning for Clinical Decision Support in Critical Care: Comprehensive Review. J Med Internet Res 2020; 22: e18477
    CrossrefPubMedSearch in Google Scholar
  • 7 Liu Y, Qiao N, Altinel Y. Reinforcement Learning in Neurocritical and Neurosurgical Care: Principles and Possible Applications. Computational and Mathematical Methods in Medicine 2021; 2021: 6657119
    CrossrefPubMedSearch in Google Scholar
  • 8 Valliani AA, Ranti D, Oermann EK. Deep Learning and Neurology: A Systematic Review. Neurol Ther 2019; 08: 351-365
    CrossrefPubMedSearch in Google Scholar
  • 9 Yao AD, Cheng DL, Pan I. et al Deep Learning in Neuroradiology: A Systematic Review of Current Algorithms and Approaches for the New Wave of Imaging Technology. Radiol Artif Intell 2020; 02: e190026
    CrossrefPubMedSearch in Google Scholar
  • 10 Alharbi WS, Rashid M. A review of deep learning applications in human genomics using next-generation sequencing data. Human Genomics 2022; 16: 26
    CrossrefPubMedSearch in Google Scholar
  • 11 Gunavathi C, Sivasubramanian K, Keerthika P. et al A review on convolutional neural network based deep learning methods in gene expression data for disease diagnosis. Materials Today: Proceedings 2021; 45: 2282-2285
    CrossrefSearch in Google Scholar
  • 12 Lecun Y, Bengio Y.. Convolutional Networks for Images, Speech, and Time-Series. 1995
    PubMedSearch in Google Scholar
  • 13 Vaswani A, Shazeer N, Parmar N. et al Attention is all you need. Advances in neural information processing systems. 2017: 30
    PubMedSearch in Google Scholar
  • 14 Brown T, Mann B, Ryder N. et al Language models are few-shot learners. Advances in neural information processing systems 2020; 33: 1877-1901
    Search in Google Scholar
  • 15 Devlin J, Chang M-W, Lee K. et al Bert: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:181004805 2018
    PubMedSearch in Google Scholar
  • 16 Chowdhery A, Narang S, Devlin J. et al Palm: Scaling language modeling with pathways. arXiv preprint arXiv:220402311 2022
    PubMedSearch in Google Scholar
  • 17 Jung LB, Gudera JA, Wiegand TLT. et al ChatGPT besteht schriftliche medizinische Staatsexamina nach Ausschluss der Bildfragen. Dtsch Arztebl International 2023; 120: 373-374
    CrossrefPubMedSearch in Google Scholar
  • 18 Kung TH, Cheatham M, Medenilla A. et al Performance of ChatGPT on USMLE: Potential for AI-assisted medical education using large language models. PLOS Digital Health 2023; 02: e0000198
    CrossrefPubMedSearch in Google Scholar
  • 19 Singhal K, Azizi S, Tu T. et al Large Language Models Encode Clinical Knowledge. arXiv preprint arXiv:221213138 2022
    PubMedSearch in Google Scholar
  • 20 Yang X, Chen A, PourNejatian N. et al A large language model for electronic health records. NPJ digital medicine 2022; 05: 194
    CrossrefPubMedSearch in Google Scholar
  • 21 Patel SB, Lam K. ChatGPT: the future of discharge summaries?. The Lancet Digital Health 2023; 05: e107-e108
    CrossrefPubMedSearch in Google Scholar
  • 22 Jeblick K, Schachtner B, Dexl J. et al ChatGPT Makes Medicine Easy to Swallow: An Exploratory Case Study on Simplified Radiology Reports. 2022
    CrossrefSearch in Google Scholar
  • 23 Hedderich DM, Weisstanner C, Van Cauter S. et al Artificial intelligence tools in clinical neuroradiology: essential medico-legal aspects. Neuroradiology. 2023 10.1007/s00234-023-03152-7
    CrossrefPubMedSearch in Google Scholar