Kommentar zu KI – Sarkoidose oder Lymphom? Maschinelles Lernen performt gut

Lovinfosse und Koautoren stellen Radiomics-Ansätze vor, um in einem zweistufigen Vorgehen zunächst Sarkoidose von Krebserkrankungen zu differenzieren. Im Falle des Vorliegens einer Krebserkrankung wird dann durch ein weiteres Modell zwischen Hodgkin-Lymphom (HL) und diffus großzelligem B-Zell-Lymphom (DLBCL) unterschieden. Die Autoren vergleichen die Ergebnisse der Radiomics-Modelle mit der Bewertung von menschlichen Gutachtern und kommen zu der Erkenntnis, dass die Modelle entweder gleichwertig (Sarkoidose versus Krebserkrankung) oder sogar besser als die klinisch erfahrenen Nuklearmediziner (HL versus DLBCL) abschneiden. Wie auch in anderen Untersuchungen kann gezeigt werden, dass durch die maschinelle Unterstützung konsistente und reproduzierbare Ergebnisse erzielt werden [1].

Publication History

Article published online:
25 July 2023

• Literatur

• 1 Kleesiek J, Petersen J, Döring M. et al. Virtual Raters for Reproducible and Objective Assessments in Radiology. Scientific Reports 2016; 6: 25007
• 2 Hahn HK. Radiomics & Deep Learning: Quo vadis?. Forum 2020; (35) 117-124
• 3 Kleesiek J, Murray JM, Strack C. et al. Wie funktioniert maschinelles Lernen?. Radiologe 2020; 60: 24-31
• 4 Murray JM, Wiegand B, Hadaschik B. et al. Virtual Biopsy: Just an AI Software or a Medical Procedure?. J Nucl Med 2022;