Artificial intelligence (AI) in diagnostic imaging

Rainer Braunschweig; Daniela Kildal; Rolf Janka

doi:10.1055/a-2208-6487

RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren, Inhaltsverzeichnis

Rofo 2024; 196(07): 664-670
DOI: 10.1055/a-2208-6487

Editorial

Künstliche Intelligenz (KI) in der Bildgebenden Diagnostik

Diskussionsgrundlage zur klinischen Prozessunterstützung Artikel in mehreren Sprachen: English | deutsch

Rainer Braunschweig

¹Institute of Radiology, University Hospitals Erlangen Department of Radiology, Erlangen, Germany

,

Daniela Kildal

²Radiology, Valais Hospital, Visp, Switzerland

³Klinik für diagnostische und interventionelle Radiologie, University Hospital Ulm, Germany

,

Rolf Janka

¹Institute of Radiology, University Hospitals Erlangen Department of Radiology, Erlangen, Germany

› Institutsangaben

Abstract

Zusammenfassung

Problem

Die Künstliche Intelligenz (KI) wird in der Bildgebenden Diagnostik zunehmend als Entscheidungs-„tool“ diskutiert und teilweise bereits unterstützend eingesetzt. Die Erwartungen an die KI sind heterogen aber aus klinischer Sicht undefiniert. Es besteht Klärungsbedarf, wofür „Künstliche Intelligenz in der Medizin“, insbesondere in der Bildgebenden Diagnostik, eingesetzt werden kann und soll.

Methodik

Der Artikel schlägt zum einen eine Begriffs-Definition zur KI, sowie weitere Begriffe wie „binäre Kriterien“ und „standardisierte Variabilität“ vor. Zum anderen werden gezielte Anwendungsszenarien für KI im Prozessablauf der Muskulo-Skelettalen-Bildgebung erläutert. Diese Hinweise sollen potenziellen Produktentwicklern helfen, IT-Applikationen für die work-flow-Unterstützung in der Bildgebenden Diagnostik zu entwickeln.

Ergebnis

Die Nutzung digital codierter Angaben (z. B. Zuweiser), die Auswahl der Modalitäten und Untersuchungsprotokolle durch digital-automatisierte Weitergabe der klinischen Fragestellungen, sowie die fragestellungsorientierte Bildpräsentation und strukturierte Befundung inklusive standardisierter Befund-Klassifikationen können wesentliche Bestandteile KI-basierter Prozessoptimierungen sein. Ziel des KI-Einsatzes ist vorrangig die Effektivierung der Prozessabläufe und die Qualitätssicherung der Bildgebenden Diagnostik. So kann z. B. die klinische Problematik/Fragestellung als wesentlicher Triggerpunkt für den Prozessablauf in der Bildgebenden Diagnostik einen Beitrag in der klinisch-interdisziplinären Qualitätssicherung leisten, da Indikation, Durchführung und Befundung der Untersuchung problemorientiert abgestimmt werden. Eine KI-basierte Befundung ist derzeit für den Routineeinsatz in der MSK-Bildgebung nicht verfügbar bzw. nur in Teilbereichen in Erprobungen. Im Hinblick auf die Pflicht zur individuell-ärztlichen Leistungserbringung sind zudem KI-Systeme zur Befundung als „Arztersatz“ aus Akzeptanzgründen, sowie wegen rechtlicher Unklarheiten (wer haftet?), derzeit unrealistisch.

Kernaussagen

KI ist als IT-basierte Unterstützungsfunktion vielversprechend
KI sollte aktuell der Prozessoptimierung dienen – ein Arztersatz ist unrealistisch
In der Bildgebung kann KI Prozessschritte automatisieren und standardisieren und damit der Qualitätssicherung dienen

Zitierweise

Braunschweig R, Kildal D, Janka R. Artificial intelligence (AI) in diagnostic imaging . Fortschr Röntgenstr 2024; 196: 664 – 670

Keywords

artificial intelligence - musculoskeletal imaging - IT-based processing

Volltext

Referenzen

References
1 European Society of Radiology: What the radiologist should know about artificial intelligence – an ESR white paper. Insights Imaging 2019; 10: 44
2 Gyftopoulos S. et al. Artificial intelligence in musculoskeletal imaging: current status und future directions. Am J Roentgenol 2019; 213 (03) 506-513
3 Hyun JY. et al. Medical image analysis using artificial intelligence. Progress in Medical Physics 2019; 30 (02) 49-58
4 Russell SJ, Norvig P. Artificial Intelligence: A modern approach Prentice Hall. 1995: 932
5 Eberl U. Smarte Maschinen: Wie Künstliche Intelligenz unser Leben verändert. Carl Hanser; 2016
6 Holzinger A, Langs G, Denk H. et al. Causability and explainability of artificail intelligence in medicine. Wiley interdisciplinary Reviews-Data Mining and Knowledge-Discovery 2019; 9: 1312
7 Hosny A. et al. Artificial intelligence in radiology. Nat rev Cancer 2018; 18: 500-510
8 Pesapane F. et al. Artificial intelligence as a medical device in radiology: ethical an regulatory issues in Europe and in the United States. Insights Imaging 2018; 9: 745-753
9 Precht RD. „Künstliche Intelligenz und der Sinn des Lebens“. Goldmann Verlag. Goldmann Verlag. 2020
10 Attenberger UI. et al. Wie geht Radiomics eigentlich?. Fortschr. Röntgenstr 2021; 193: 652-657
11 Al Masni MA. et al. Simultaneous detection and classification of breast masses in digital mammograms via a deep learning YOLO-based CAD systemComput Methods Programs. Biomed 2018; 157: 85-94
12 Salem M. et al. A supervised framework with intensity subtraction and deformation field features for the detection of new T2-w lesions in multiple sclerosis. Neuroimage Clin 2018; 17: 607-615
13 Titano JJ. et al. Automated deep-neural-network surveillance of cranial images for acute neurological events. Mat Med 2018; 24: 1337-1341
14 Yeeps-Calderon F. et al. Automatically measuring brain ventricular volume within PACS using artificial intelligence. PloS One 2018; 13: e=193152
15 Chilamkurthy S. et al. Deep learning algorithms for detection of critical findings in head CT scans. A retrospective study. Lancet 2018;
16 Choi W. et al. Radiomics abalysis of pulmonary nodules in low-dose CT for early detection of lung cancer. Med Phys 2018; 45: 1537-1549
17 Orooji M. et al. Combination of computer extracted shape and texture features enables discrimination of granulomas from adenocarcinoma on chest computed tomography. J Med Imaging 2018; 5: 024501
18 Gluchowski P, Chamoni P. Analytische Informationssysteme: Business Intelligence-Technologien und Anwendungen. 5. Überarbeitete Auflage. Springer; 2016
19 Forsting M. Künstliche Intelligenz mit der Radiologie als Vorreiter für Super-Diagnostics. Fortschr. Röntgenstr 2019; 191 (01) 73-78
20 Nichols A. et al. Machine learning: application of artificial intelligence to imaging and diagnosis. Biophys Rev 2018;
21 Abdollah H. et al. Cochlea CT radiomics predicts chemoradiotherapy induced sensoneural hearing loss in head and neck cancer patients: A machine learning and multi-variable modelling study. Phys Med 2018; 45: 192-197
22 Lambin P, Leijenaar RTH, Deist TM. et al. Radiomics: the bridgebetween medical imaging and personalized medicine. Nature Reviews Clinical Oncology 2017; 14: 749-762
23 Burns JE, Yao J, Summers RM. Artificial intelligence in musculoskeletal imaging: a paradigm shift. J of Bone and Mineral Research 2019; 35 (01) 28-35
24 Brockhaus Enzyklopädie. Band 10; 19. Auflage. Bertelsmann; 590
25 Maio G. Mittelpunkt Mensch: Lehrbuch der Ethik in der Medizin. 2. Auflage. Schattauer; 2017
26 Al Badawy EA. et al. Deep learning for segmentation of brain tumors: Impact of cross institutional training and testing. Med Phys 2018; 45: 1150-1158
27 Leitlinie der Bundesärztekammer zur Qualitätssicherung in der Röntgendiagnostik Deutsches Ärzteblatt 30. Mai 2023.
28 Freyschmidt J. et al. Knochentumoren. 2 Auflage. Springer; 1998
29 Bunck AC. et al. Strukturierte Befundung in der Schnittbilddiagnostik des Herzens. Fortschr Röntgenstr 2020; 192 (01) 27-37
30 Wigge P. Anforderungen an den Facharztstandard. Fortschr. Röntgenstr 2021; 193 (04) 480-484
31 Al Ajmi E. et al. Spectral multi-energy CT texture analysis with machine learning for tissue classification: an investigation using classification of benign parotid tumours as a testing paradigm. Eur Radiol 2018; 28: 2604-2611
32 Bolm-Audorff U. “Konsensempfehlungen zur Zusammenhangsbegutachtung der BK 2108/2110”. Trauma und Berufskrankheiten 2005; 3 (03) 211-252