Künstliche Intelligenz (KI) in der Bildgebenden Diagnostik

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

Publication History

Received: 15 February 2023

Accepted: 17 October 2023

Article published online:
12 February 2024

• 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