Abstract
Background Artificial intelligence (AI) applications have become increasingly relevant across
a broad spectrum of settings in medical imaging. Due to the large amount of imaging
data that is generated in oncological hybrid imaging, AI applications are desirable
for lesion detection and characterization in primary staging, therapy monitoring,
and recurrence detection. Given the rapid developments in machine learning (ML) and
deep learning (DL) methods, the role of AI will have significant impact on the imaging
workflow and will eventually improve clinical decision making and outcomes.
Methods and Results The first part of this narrative review discusses current research with an introduction
to artificial intelligence in oncological hybrid imaging and key concepts in data
science. The second part reviews relevant examples with a focus on applications in
oncology as well as discussion of challenges and current limitations.
Conclusion AI applications have the potential to leverage the diagnostic data stream with high
efficiency and depth to facilitate automated lesion detection, characterization, and
therapy monitoring to ultimately improve quality and efficiency throughout the medical
imaging workflow. The goal is to generate reproducible, structured, quantitative diagnostic
data for evidence-based therapy guidance in oncology. However, significant challenges
remain regarding application development, benchmarking, and clinical implementation.
Key Points:
-
Hybrid imaging generates a large amount of multimodality medical imaging data with
high complexity and depth.
-
Advanced tools are required to enable fast and cost-efficient processing along the
whole radiology value chain.
-
AI applications promise to facilitate the assessment of oncological disease in hybrid
imaging with high quality and efficiency for lesion detection, characterization, and
response assessment. The goal is to generate reproducible, structured, quantitative
diagnostic data for evidence-based oncological therapy guidance.
-
Selected applications in three oncological entities (lung, prostate, and neuroendocrine
tumors) demonstrate how AI algorithms may impact imaging-based tasks in hybrid imaging
and potentially guide clinical decision making.
Zusammenfassung
Hintergrund Der Stellenwert künstlicher Intelligenz (KI) hat in der medizinischen Bildgebung
in den letzten Jahren deutlich zugenommen. Aufgrund der enormen Datenmengen und strukturierbaren
Aufgaben im diagnostischen Workflow hat die KI in der onkologischen Hybridbildgebung
besonders vielversprechende Anwendungsgebiete für die Läsionsdetektion, die Läsionscharakterisierung
und die Therapiebeurteilung. Vor dem Hintergrund rasanter Entwicklungen im Bereich
des Machine Learning (ML) und des Deep Learning (DL) ist von einer zunehmenden Bedeutung
in der onkologischen Hybridbildgebung auszugehen mit Potenzial, die klinische Therapiesteuerung
und patientenrelevante Ergebnisse zu verbessern.
Methode und Ergebnisse Diese narrative Übersichtsarbeit fasst die Evidenz in verschiedenen aufgabenbezogenen
Anwendungen der Bildanalyse von KI im Bereich der onkologischen Hybridbildgebung zusammen.
Nach Einführung in das Thema der KI werden ausgewählte Beispiele exploriert, vor dem
Hintergrund aktueller Herausforderungen und im Hinblick auf die klinische Relevanz
in der Therapiesteuerung diskutiert.
Schlussfolgerung Der Einsatz von KI bietet vielversprechende Anwendungen der Detektion, der Charakterisierung
und der longitudinalen Therapiebeurteilung im Bereich der onkologischen Hybridbildgebung.
Schlüsselherausforderungen liegen in den Bereichen der Entwicklung von Algorithmen,
der Validierung und der klinischen Implementierung.
Kernaussagen:
-
Mit der onkologischen Hybridbildgebung werden große Datenvolumen aus 2 bildgebenden
Modalitäten erzeugt, deren strukturierte Analyse komplex ist.
-
Für die Datenanalyse werden neue Methoden benötigt, um eine schnelle und kosteneffiziente
Beurteilung in allen Aspekten der diagnostischen Wertschöpfungskette zu ermöglichen.
-
KI verspricht, die diagnostische Auswertung der onkologischen Hybridbildgebung zu
vereinfachen und wesentliche Verbesserungen in Qualität und Effizienz bei der Erkennung,
Charakterisierung und dem longitudinalen Monitoring onkologischer Erkrankungen zu
ermöglichen. Ziel ist reproduzierbare, strukturierte, quantitative diagnostische Daten
für die evidenzbasierte onkologische Therapiesteuerung zu generieren.
-
Selektierte Anwendungsbeispiele in 3 ausgewählten Tumorentitäten (Lungenkarzinom,
Prostatakarzinom, Neuroendokrine Tumore) zeigen wie KI-gestützte Applikationen einen
wesentlichen Beitrag in der automatisierten Bildanalyse leisten und eine weitere Individualisierung
von Therapien ermöglichen könnten.
Key words
artifical intelligence - oncological imaging - hybrid imaging
