Download PDF
Gastroenterologie up2date 2021; 17(04): 353-365
DOI: 10.1055/a-1355-0636
Wichtige Methoden in der Gastroenterologie

Anwendungen der künstlichen Intelligenz in der Abdominalbildgebung

Sebastian Ziegelmayer
,
Rickmer Braren
› Further Information
Also available at
    Permissions and Reprints All articles of this category

Künstliche Intelligenz (KI) dringt in immer mehr Lebensbereiche vor – auch in der Radiologie hat sie längst Einzug gehalten. Dieser Beitrag erläutert Grundlagen des maschinellen Lernens, neuronaler Netzwerke sowie des Forschungsfelds „Radiomics“. Darüber hinaus liegt der Fokus auf KI-Modellen in der Abdominalbildgebung: Welche Erfolge gibt es, was sind die Limitationen und wie lassen sie sich überwinden?
Kernaussagen

  • Der potenzielle Nutzen der Anwendung von Modellen des maschinellen Lernens in der Abdominalbildgebung konnte bereits in vielversprechenden Studien für diverse Aufgabenbereiche (Bilddetektion, Klassifikation, Bildrekonstruktion/-akquisition) gezeigt werden.

  • Die Translation dieser Modelle in den klinischen Alltag wird durch methodologische sowie strukturelle Hürden deutlich erschwert.

  • Die Abdominalbildgebung ist aufgrund deutlicher Artefaktanfälligkeit, organischer Variation und der Modalitätenvielfalt eine besondere Herausforderung in der Entwicklung von KI-Modellen.

  • Das Fehlen repräsentativer und balancierter Kohorten, algorithmische Verzerrung und die fehlende Erklärbarkeit einzelner Modelle sind die gängigsten Problemfelder in der klinischen Integration von KI-Modellen.

  • Lösungsansätze sind eine umfassende Datenharmonisierung, die Entwicklung privatsphärenerhaltener KI-Modelle sowie die Verbesserung der algorithmischen Interpretierbarkeit.

Schlüsselwörter

künstliche Intelligenz - maschinelles Lernen - Abdominalbildgebung - Faltungsnetzwerke - Radiomics


Publication History

Article published online:
03 December 2021

© 2021. Thieme. All rights reserved.

Georg Thieme Verlag KG
Rüdigerstraße 14, 70469 Stuttgart, Germany

 

  • Literatur

  • 1 Sullivan DC, Obuchowski NA, Kessler LG. et al. Metrology standards for quantitative imaging biomarkers. Radiology 2015; 277: 813-825
    CrossrefPubMedSearch in Google Scholar
  • 2 Gillies RJ, Kinahan PE, Hricak H. Radiomics: Images are more than pictures, they are data. Radiology 2016; 278: 563-577
    CrossrefPubMedSearch in Google Scholar
  • 3 Fedorov A, Beichel R, Kalpathy-Cramer J. et al. 3D Slicer as an image computing platform for the quantitative imaging network. Magn Reson Imaging 2012; 30: 1323-1341
    CrossrefPubMedSearch in Google Scholar
  • 4 Yushkevich PA, Piven J, Hazlett HC. et al. User-guided 3D active contour segmentation of anatomical structures: Significantly improved efficiency and reliability. Neuroimage 2006; 31: 1116-1128
    CrossrefPubMedSearch in Google Scholar
  • 5 Bodalal Z, Trebeschi S, Nguyen-Kim TDL. et al. Radiogenomics: bridging imaging and genomics. Abdom Radiol 2019; 44: 1960-1984
    CrossrefPubMedSearch in Google Scholar
  • 6 McKinney SM, Sieniek M, Godbole V. et al. International evaluation of an AI system for breast cancer screening. Nature 2020; 577: 89-94
    CrossrefPubMedSearch in Google Scholar
  • 7 Aerts HJ, Velazquez ER, Leijenaar RT. et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nat Commun 2014; 5: 4006
    CrossrefPubMedSearch in Google Scholar
  • 8 Bilic P, Christ PF, Vorontsov E. et al. The Liver Tumor Segmentation Benchmark (LiTS). arXiv:1901.04056. 13th January 2019. Im Internet (Stand: 20.10.2021): http://arxiv.org/abs/1901.04056
    PubMed
  • 9 Graffy PM, Sandfort V, Summers RM. et al. Automated liver fat quantification at nonenhanced abdominal CT for population-based steatosis assessment. Radiology 2019; 293: 334-342
    CrossrefPubMedSearch in Google Scholar
  • 10 Ryu H, Shin SY, Lee JY. et al. Joint segmentation and classification of hepatic lesions in ultrasound images using deep learning. Eur Radiol 2021; 31: 8733-8742
    CrossrefPubMedSearch in Google Scholar
  • 11 Schelb P, Kohl S, Radtke JP. et al. Classification of cancer at prostate MRI: Deep Learning versus clinical PI-RADS Assessment. Radiology 2019; 293: 607-617
    CrossrefPubMedSearch in Google Scholar
  • 12 Greer MD, Lay N, Shih JH. et al. Computer-aided diagnosis prior to conventional interpretation of prostate mpMRI: An international multi-reader study. Eur Radiol 2018; 28: 4407-4417
    CrossrefPubMedSearch in Google Scholar
  • 13 Zhao X, Xie P, Wang M. et al. Deep learning-based fully automated detection and segmentation of lymph nodes on multiparametric-MRI for rectal cancer: A multicentre study. EBioMedicine 2020; 56: 102780
    CrossrefPubMedSearch in Google Scholar
  • 14 Bustin A, Fuin N, Botnar RM. et al. From compressed-sensing to artificial intelligence-based cardiac MRI reconstruction. Front Cardiovasc Med 2020; 7: 17
    CrossrefPubMedSearch in Google Scholar
  • 15 Roberts M, Driggs D, Thorpe M. et al. Common pitfalls and recommendations for using machine learning to detect and prognosticate for COVID-19 using chest radiographs and CT scans. Nat Mach Intell 2021; 3: 199-217
    CrossrefPubMedSearch in Google Scholar
  • 16 Stupple A, Singerman D, Celi LA. The reproducibility crisis in the age of digital medicine. NPJ Digit Med 2019; 2: 2
    CrossrefPubMedSearch in Google Scholar
  • 17 Russakovsky O, Deng J, Su H. et al. ImageNet Large Scale Visual Recognition Challenge. Int J Comput Vis 2015; 115: 211-252
    CrossrefPubMedSearch in Google Scholar
  • 18 Obermeyer Z, Powers B, Vogeli C. et al. Dissecting racial bias in an algorithm used to manage the health of populations. Science 2019; 366: 447-453
    CrossrefPubMedSearch in Google Scholar
  • 19 Larrazabal AJ, Nieto N, Peterson V. et al. Gender imbalance in medical imaging datasets produces biased classifiers for computer-aided diagnosis. Proc Natl Acad Sci USA 2020; 117: 12592-12594
    CrossrefPubMedSearch in Google Scholar
  • 20 The European Parliament and the Council of the European Union. Regulation (EU) 2016/679 of the European Parliament and of the Council of 27 April 2016 on the protection of natural persons with regard to the processing of personal data and on the free movement of such data, and repealing Directive 95/46/EC (General Data Protection Regulation). Im Internet (Stand: 20.10.2021): http://ec.europa.eu/info/law/law-topic/data-protection/data-protection-eu_de
    PubMed
  • 21 Winkler JK, Fink C, Toberer F. et al. Association between surgical skin markings in dermoscopic images and diagnostic performance of a deep learning convolutional neural network for melanoma recognition. JAMA Dermatol 2019; 155: 1135-1141
    CrossrefPubMedSearch in Google Scholar
  • 22 Byra M, Styczynski G, Szmigielski C. et al. Adversarial attacks on deep learning models for fatty liver disease classification by modification of ultrasound image reconstruction method. 2020 IEEE International Ultrasonics Symposium (IUS) 2020; 1-4
    CrossrefPubMedSearch in Google Scholar
  • 23 Zwanenburg A, Leger S, Vallières M. et al. The image biomarker standardisation initiative. arXiv:1612.07003v11. 17th December 2019. Im Internet (Stand: 20.10.2021): http://arxiv.org/abs/1612.07003
    PubMed
  • 24 Da-Ano R, Masson I, Lucia F. et al. Performance comparison of modified ComBat for harmonization of radiomic features for multicenter studies. Sci Rep 2020; 10: 10248
    CrossrefPubMedSearch in Google Scholar
  • 25 Kaissis GA, Makowski MR, Rückert D. et al. Secure, privacy-preserving and federated machine learning in medical imaging. Nat Mach Intell 2020; 2: 305-311
    CrossrefPubMedSearch in Google Scholar
  • 26 Ziller A, Usynin D, Remerscheid NW. et al. Differentially private federated deep learning for multi-site medical image segmentation. arXiv:2107.02586. 6th July 2021. Im Internet (Stand: 20.10.2021): http://arxiv.org/abs/2107.02586
    PubMed
  • 27 Koker T, Mireshghallah F, Titcombe T. et al. U-Noise: Learnable noise masks for interpretable image segmentation. arXiv:2101.05791. 20th January 2021. Im Internet (Stand: 20.10.2021): http://arxiv.org/abs/2101.05791
    PubMed