Radiologie up2date 2022; 22(02): 121-136
DOI: 10.1055/a-1718-8846
Gerätetechniken/Neuentwicklungen/Digitale Radiologie

Künstliche Intelligenz in der Radiologie

Artificial Intelligence in Radiology
Marie-Luise Kromrey
,
Sascha Grothe
,
Christopher Nell
,
Britta Rosenberg

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.



Publication History

Article published online:
02 June 2022

© 2022. Thieme. All rights reserved.

Georg Thieme Verlag KG
Rüdigerstraße 14, 70469 Stuttgart, Germany