Rofo
DOI: 10.1055/a-2516-3057
Pediatric Radiology

Künstliche Intelligenz und Teleradiologie in der Kinder- und Jugendradiologie: eine Umfrage der Gesellschaft für Pädiatrische Radiologie (GPR) und der Schweizer Gesellschaft für Pädiatrische Radiologie (SGPR)

Article in several languages: deutsch | English
Max-Johann Sturm
1   Pediatric Radiology, Jena University Hospital, Jena, Germany (Ringgold ID: RIN39065)
,
Thekla von Kalle
2   Radiology, Olgahospital Klinikum Stuttgart, Stuttgart, Germany
,
3   Institute of Diagnostic and Interventional Radiology, Medizinische Hochschule Hannover, Hannover, Germany (Ringgold ID: RIN9177)
,
Dirk Klee
4   Radiology, Heinrich-Heine University Düsseldorf, Düsseldorf, Germany
5   Department of Pediatric Radiology, University Hospital of Düsseldorf, Düsseldorf, Germany (Ringgold ID: RIN39064)
,
Janina Patsch
6   Institute for Radiology and Nuclear Medicine, Medical University of Vienna, Wien, Austria (Ringgold ID: RIN27271)
,
Stephanie Spieth
7   Institute and Polyclinic for Diagnostic and Interventional Radiology, Dresden University Hospital, Dresden, Germany (Ringgold ID: RIN39063)
,
Seema Toso
8   Department of Pediatric Radiology, Hôpitaux Universitaires Genève, Geneve, Switzerland (Ringgold ID: RIN27230)
,
Enno Stranzinger
9   Department of Diagnostic, Interventional and Paediatric Radiology, Inselspital University Hospital Bern, Bern, Switzerland (Ringgold ID: RIN27252)
,
Hans-Joachim Mentzel
1   Pediatric Radiology, Jena University Hospital, Jena, Germany (Ringgold ID: RIN39065)
› Author Affiliations
 

Zusammenfassung

Ziel

Ziel unserer Arbeit war es, in der deutschsprachigen Kinder- und Jugendradiologie die Einstellung zu KI und Teleradiologie und deren aktuelle Nutzung zu erfassen.

Material und Methoden

Von März bis Mai 2023 führten wir unter den Mitgliedern der Gesellschaft für Pädiatrische Radiologie (GPR) und der Schweizer Gesellschaft für Pädiatrische Radiologie (SGPR) eine anonyme Online-Umfrage über die Plattform „SurveyMonkey“ durch. Die Umfrage bestand aus 25 Items mit einer Rating-Skala sowie Freitextergänzungen.

Ergebnisse

Von den 419 Mitgliedern der Fachgesellschaften haben 36 den Fragebogen vollständig bearbeitet (8,6%). Teleradiologie (50% trifft zu; 27,8% trifft eher zu) und KI (38,9% trifft zu; 22,2% trifft eher zu) wurden vom Großteil der Befragten als relevant für die gesamte Kinderradiologie eingeschätzt. Telekonsiliarische Zweitmeinungen werden regelmäßig in 58% der Abteilungen genutzt. KI spielt momentan bei 52,8% der Befragten keine wesentliche Rolle im Arbeitsalltag. Neben Segmentation werde KI-Anwendungen insbesondere zur Bildakquise sowie Dosisreduktion eingesetzt. Mehr als 80% der Befragten gaben an, dass die Knochenalterbestimmung gut für eine KI-Lösung geeignet sei, jedoch nutzen lediglich 31% der Befragten entsprechende Lösungen in der Routine.

Schlussfolgerung

KI und Teleradiologie weisen in der deutschsprachigen Kinderradiologie (Deutschland, Österreich, Schweiz; sog. DACH) eine hohe Akzeptanz auf und werden als eine mögliche Strategie zur Verbesserung der flächendeckenden kinderradiologischen Versorgung gesehen. Dementgegen steht die gegenwärtig geringe Nutzung in der klinischen Routine.

Kernaussagen

  • Kinder- und Jugendradiologen im DACH-Raum erkennen KI und Teleradiologie als relevant für eine kinderradiologische Versorgung an.

  • KI und Teleradiologie werden als mögliche Option zur verbesserten kinderradiologischen Versorgung gesehen.

  • Die konkrete Nutzung von KI und Teleradiologie in der täglichen Routine ist aktuell gering.

Zitierweise

  • Sturm M, von Kalle T, Renz DM et al. Artificial Intelligence and Teleradiology in Pediatric Radiology: A Survey by the Society for German-speaking Pediatric Radiologists (GPR) and the Swiss Society for Pediatric Radiology (SGPR). Rofo 2025; DOI 10.1055/a-2516-3057


#

Einleitung

Die Kinder- und Jugendradiologie hat maßgeblich zu den medizinischen Erfolgen bei der Bekämpfung von Krankheiten im Kindes- und Jugendalter beigetragen. Ihre Weiterentwicklung beruht maßgeblich auf Anregungen aus den klinischen Fächern und auf technischen Innovationen aus anderen Bereichen der Bildgebung [1] [2]. Eine flächendeckende Versorgung mit Ärzten im Schwerpunkt Kinder- und Jugendradiologie ist im deutschsprachigen Raum nicht gegeben. Das Strategiepapier der Gesellschaft für Pädiatrische Radiologie (GPR) fordert, das mit entsprechend ausreichend Personal (ärztlich und nicht-ärztlich) ausgestattete regionale Referenzzentren für den Schwerpunkt Kinder- und Jugendradiologie vorgehalten werden, die eng mit den Zuweisern aus der konservativen und operativen Kinder- und Jugendmedizin sowie der ambulanten oder stationären Radiologie kooperieren [1]. Technologien wie künstliche Intelligenz (KI) und Teleradiologie könnten entsprechend des GPR-Strategiepapiers neue Möglichkeiten für eine effizientere und verbesserte radiologische Versorgung von Kindern in Deutschland, Österreich und der Schweiz (sogenannte DACH-Region) in der Fläche eröffnen [1].

Die Rolle von KI in der medizinischen Bildgebung nimmt stetig zu [3]. Der kinderradiologische Workflow weist viele Anknüpfungspunkte für KI-Anwendungen auf. Diese können von der Patientenzuweisung und Terminplanung über Dosis- und Artefaktreduktion bis zur Bildinterpretation reichen, z.B. mit sogenannten Computer-Assisted-Diagnosis-Systemen (CAD) [4] [5] [6]. Virtuelle Raster können bei Röntgenaufnahmen auf Intensivstationen eingesetzt werden, um die Strahlenexposition zu reduzieren und die Bildqualität zu verbessern [7]. Mit KI kann die Bildakquisition bei MRT- oder CT-Untersuchungen durch schnellere MRT-Sequenzen [8] oder Dosisreduktion bei CT-Untersuchungen [9] [10] optimiert werden. Im Postprocessing kann KI neben Bildoptimierung zeitaufwendigere Aufgaben, wie Segmentationen übernehmen [6]. Von den über 200 zugelassenen KI-Produkten für die Radiologie wurden einzelne Anwendungen spezifisch für die Pädiatrie entwickelt [3] [11]. Ein Paradebeispiel für die Anwendung computerassistierter Diagnostik ist die Knochenalterbestimmung anhand von Handröntgenaufnahmen. Daher schrieb die Radiological Society of North America (RSNA) 2019 einen Wettbewerb zur Entwicklung einer entsprechenden KI-Lösung aus [12], was zur Entwicklung von Produkten wie BoneXpert, VUNO Med-BoneAge oder IB Lab PANDA beigetragen hat [11] [13] [14].

Aufgrund des Personalmangels in der pädiatrischen Radiologie wurden in den Vereinigten Staaten von Amerika (USA) schon frühzeitig teils kommerzielle, teleradiologische Konzepte entwickelt [15]. Durch Bündelung der Expertise in größeren kinderradiologischen Zentren können Abteilungen ohne Kinder- und Jugendradiologen entlastet werden, da die durchgehende Vorhaltung von kinderradiologisch schwerpunktmäßig qualifiziertem ärztlichem Personal in diesen entfällt [16]. Um die Mehrbelastung in den kinderradiologischen Zentren zu bewältigen, ist eine angemessene personelle Ausstattung unabdingbar. Eine ähnliche Kooperation zwischen Zentren und Zuweisern empfiehlt das GPR-Strategiepapier [1]. Zusätzlich kann eine Zweitbefundung durch spezialisierte Kinderradiologen zu substanziellen und therapierelevanten Veränderungen am Befund bzw. in der Beurteilung führen [17].

Nachfolgend stellen wir die Ergebnisse einer Umfrage zur Nutzung von KI und Teleradiologie in der kinderradiologischen Versorgung in Deutschland, Österreich und der Schweiz vor. Ziel der Umfrage unter Kinderradiologen war es, die Einstellungen und die Nutzung der im GPR-Strategiepapier empfohlenen Technologien im Schwerpunkt Kinderradiologie zu evaluieren – auch im Hinblick auf eine mögliche Lösung für Versorgungsengpässe an Kinder- und Jugendradiologen in Deutschland und Österreich [1]. Zudem möchten wir im Gegensatz zu vorherigen Arbeiten besonderes Augenmerk auf die Bedürfnisse der Kinderradiologie legen.


#

Methoden

Die Umfrage wurde auf Deutsch über die Plattform SurveyMonkey (SurveyMonkey Inc., San Mateo, CA, USA) durchgeführt. Die Umfrage wurde über die GPR sowie die SGPR an Kinder- und Jugendradiologen in Deutschland, Österreich und der Schweiz verteilt und war von März bis Mai 2023 geöffnet. Die Befragung wurde auf den Homepages der GPR und SGPR sowie in den Newslettern beider Fachgesellschaften beworben. Neben Fünf-Punkt-Likert-Skalen („trifft zu“, „trifft eher zu“, „teils-teils“, „trifft eher nicht zu“, „trifft nicht zu“) wurden Multiple Choice-Fragen mit Option zur Mehrfachantwort sowie Freitextantworten verwendet. Die Antworten erfolgten freiwillig sowie anonym. Angaben zum Arbeitsort wurden nicht abgefragt. Jede einzelne Frage konnte übersprungen werden. Dieses Manuskript wurde mit Hilfe von ChatGPT (OpenAI, San Francisco, USA) redaktionell gekürzt.


#

Ergebnisse

Demografie

Wir erhielten 36 Antworten aus kinderradiologischen Abteilungen im DACH-Raum, was bei 350 GPR- und 69 SGPR-Mitgliedern (jeweils exklusive Emeriti/Pensionäre) einer Rücklaufquote von 8,6% entspricht. Weitere demografische Daten können der [Tab. 1] entnommen werden. Die Verteilung in der Tabelle entspricht in etwa der Merkmalsverteilung in der GPR.

Tab. 1 Demografie.

Parameter

Anzahl (%)

Ausbildungsstand

Arzt in Weiterbildung

1 (2,8%)

Facharzt

2 (5,6%)

Facharzt + Schwerpunktbezeichnung

33 (91,7%)

Alter

<30

0 (0%)

31–40

8 (22,2%)

41–50

8 (22,2%)

51–60

11 (30,6%)

>60

9 (25,0%)

Art der Abteilung

Universitätsklinik

27 (75,0%)

Nicht-Universitätsklinik

7 (19,4%)

Niederlassung/Praxis

2 (5,6%)

Land

Deutschland

26 (72,2%)

Österreich

5 (13,9%)

Schweiz

5 (13,9%)


#

Teleradiologie

77,8% der Befragten gaben an, dass Teleradiologie ein relevantes Thema für die Kinderradiologie ist (50% „trifft zu“; 27,8% „trifft eher zu“), jedoch spielt diese lediglich bei der Hälfte der Befragten eine große Rolle im Arbeitsalltag (25% „trifft zu“; 22,2% „trifft eher zu“) ([Abb. 1] a). Weiterhin erfragten wir zur weiteren Differenzierung den Einsatz von teleradiologischen Konsilen/Zweitmeinungen sowie Teleradiologie im Sinne der Strahlenschutzgesetzgebung (§14 Strahlenschutzgesetz, StrSchG, Deutschland bzw. §32 Medizinische Strahlenschutzverordnung, MedStrSchV, Österreich). Teleradiologische Zweitmeinungen werden in der Hälfte der Abteilungen häufig durchgeführt (50% „trifft zu“; 8,3% „trifft eher zu“) und teleradiologische Konsile werden in einem Drittel der Abteilungen regelmäßig durchgeführt (19,4% „trifft zu“; 16,7% „trifft eher zu“). Bei einem Viertel der Befragten werden teleradiologische Untersuchungen gemäß der Strahlenschutzgesetzgebung durchgeführt (16,7% „trifft zu“; 8,3% „trifft eher zu“) ([Abb. 1] b). Als Hauptbarrieren für den weiteren Ausbau werden insbesondere rechtliche Probleme (n=14, in Mehrfachauswahl), Abrechnungsschwierigkeiten (n=12) und technische Limitationen (n=11) genannt. Sonstige Schwierigkeiten (n=15) umfassen personelle Kapazitäten, Abrechnungsmöglichkeit, fehlende Qualitätssicherung und eine fehlende Leitlinie. Der größte Vorteil der Teleradiologie wird in der verbesserten kinderradiologischen Versorgung in der Breite (47,2%) und gesteigerter Expertise (41,7%) gesehen. Lediglich eine Person sieht keinen Vorteil (2,8%) ([Abb. 2]).

Zoom Image
Abb. 1 a Relevanz und Nutzung von Teleradiologie in der Kinder- und Jugendradiologie; b Durchführung bzw. Befundung von teleradiologischen Konsilen und Untersuchungen im Sinne des StrSchG bzw. der MedStrSchV.
Zoom Image
Abb. 2 a Limitierende Faktoren bei der weiteren Implementierung von Teleradiologie (Mehrfachnennung möglich); b Größter Vorteil von Teleradiologie.

#

Künstliche Intelligenz

Über 60% der Kinderradiologen schätzen die KI für die Kinderradiologie als relevant ein (38,9% „trifft zu“; 22,2% „trifft eher zu“). 30% nehmen eine ambivalente Position ein („teils-teils“). Lediglich 8% sehen KI als unwichtiges Thema (5,6% „trifft eher nicht zu“; 2,8% „trifft nicht zu“). Jedoch spielt KI bei unter 15% der befragten Kinderradiologen eine große Rolle im Arbeitsalltag (2,8% „trifft zu“; 11,1% „trifft eher zu“) ([Abb. 3]). Häufigste Anwendungsgebiete sind Segmentation bzw. Volumetrie (n=15, Mehrfachnennung), Dosisreduktion (n=14), Bildakquisition/Verarbeitung (n=12) und Detektion/CAD (n=10). Wir erfragten für drei Anwendungsgebiete der Kinderradiologie, ob sie sich für eine KI-Lösung eignen und bereits regelmäßig genutzt werden: Über 80% sehen die Knochenalterbestimmung als geeignetes Anwendungsgebiet (61,1% „trifft zu“; 22,2% „trifft eher zu“), jedoch nutzen lediglich 30% entsprechende Systeme regelmäßig (30,6% „trifft zu“). Der Einsatz von KI bei kindlichen Thorax-Röntgenuntersuchungen wird von einem Drittel der Befragten als geeignet angesehen. Die tatsächliche Nutzung steht dem gegenüber bei 14% für die Bildakquise (11,1% „trifft zu“; 2,8% „trifft eher zu“) und bei knapp 3% für die Detektion von Pathologien (2,8% „trifft zu“) zurück. 75% gaben an, dass KI zur Verbesserung von CT-Protokollen beitragen kann (38,9% „trifft zu“; 36,1% „trifft eher zu“). In über der Hälfte der Abteilungen werden innovative Algorithmen wie iterative Rekonstruktionstechniken und KI-Anwendungen wie Deep learning zur Verbesserung von Bildqualität und zur Dosisreduktion bei CT-Untersuchungen von Kindern eingesetzt (44,4% „trifft zu“; 11,1% „trifft eher zu“) ([Abb. 4] a, b, c). Als Hindernisse für die Implementierung von KI-Anwendungen werden hauptsächlich Kosten (n=21, Mehrfachnennung) und technische Limitationen (n=19) genannt. Weitere Hemmnisse sind Skepsis (n=11), fehlende Expertise (n=9) und rechtliche Probleme (n=7). Als sonstige Hindernisse (n=5) werden ebenfalls geringe Angebote an pädiatrischen KI-Anwendungen, niedriger „return on invest“ und administrative Hürden genannt. Als größter Vorteil wird die Arbeitserleichterung aufgezählt (37,1%), gefolgt von Zeitersparnis (17,1%). Sonstige Vorteile (17,1%) umfassen verbesserte Rechenleistung, Bildqualität und Fehlervermeidung, insbesondere als Unterstützung für kinderradiologisch unerfahrene Ärzte ([Abb. 5] a, b).

Zoom Image
Abb. 3 Relevanz und Nutzung von KI in der Kinder- und Jugendradiologie.
Zoom Image
Abb. 4 Exemplarische KI-Anwendungen in der Kinderradiologie; a Knochenalterbestimmung; b Thorax-Röntgen; c Computertomografie.
Zoom Image
Abb. 5 a Limitierende Faktoren bei der weiteren Implementierung von KI (Mehrfachnennung möglich). b Größter Vorteil von KI.

#
#

Diskussion

Diese Arbeit präsentiert eine erste Umfrage zur Einstellung gegenüber Teleradiologie und KI in der Kinder- und Jugendradiologie im deutschsprachigen Raum.

Im internationalen Vergleich konnte von Shelmerdine et al. in einer Umfrage unter Mitgliedern der European Society of Paediatric Radiology (ESPR), der Society of Pediatric Radiology (SPR) sowie weiteren Fachgesellschaften eine positive Einstellung von Kinderradiologen gegenüber KI aufgezeigt werden [18]. Andere Umfragen zum Einsatz von Teleradiologie bzw. KI beschränken sich auf die Erwachsenenradiologie [19] [20] oder spezifische Anwendungen, beispielsweise eines einzelnen kommerziellen Anbieters (Knochenalterbestimmung mittels BoneXpert) [13]. Die in der vorliegenden Studie befragten Kinderradiologen sehen sowohl die Teleradiologie als auch KI und deren Anwendungen als zukunftsweisend und relevant an, wobei der derzeitige Nutzungsgrad hinter den positiven Einstellungen zurückbleibt. Das kann auf mögliche administrative Hürden bei der Implementierung oder Unzulänglichkeiten dieser Techniken hindeuten.

Ein limitierender Faktor unserer Studie ist die Anzahl von nur 36 antwortenden Kinderradiologen. Die oben genannte weltweit angelegte Umfrage der ESPR, SPR etc. zu KI in der Pädiatrischen Radiologie erhielt 240 Rückmeldungen. Davon waren lediglich 159 Antworten von Kinderradiologen, die übrigen entfielen auf nicht-ärztliche Berufe. Insgesamt entsprach die Rückmeldungsrate aller ärztlichen und nicht-ärztlichen Befragten 9,9% [18]. Mit einem Anteil von 8,6% aus 419 Mitgliedern der GPR und SGPR weist unsere Arbeit eine vergleichbare Antwortrate auf. Andere Umfragen in der Kinderradiologie zu verschiedenen Themen, wie zur neonatalen Neurosonografie oder zum Homeoffice während der COVID-19-Pandemie, höhere Antwortraten zwischen 13% und 17% auf [21] [22]. Mit unserer Umfrage erhielten wir Antworten aus Deutschland und zu gleichen Anteilen aus Österreich und der Schweiz. Wir erhielten aus den drei D-A-CH Ländern mehr Antworten im Vergleich zu den Anteilen aus anderen, multinationalen Erhebungen zuvor [13] [18]. Die Antworten stammten überwiegend aus universitären Abteilungen, was sich mit früheren Arbeiten deckt [18].

Unsere Umfrage zeigt, dass 75% der Befragten die Teleradiologie als wichtig für die Kinderradiologie erachten, demgegenüber steht die tatsächliche Nutzung moderat zurück. Als limitierende Hauptgründe für die geringere Nutzung werden insbesondere rechtliche Unsicherheiten bzw. eigene Bedenken genannt. Teleradiologie unterliegt verschiedensten Gesetzen und Normen beispielweise dem StrSchG in Deutschland oder der MedStrSchV in Österreich. Neben der Strahlenschutzgesetzgebung müssen weitere Rechtsgebiete, wie Datenschutz oder Berufsrecht beachtet werden. Die Schweizerische Gesellschaft für Radiologie (SGR) fasst beispielsweise die Vielzahl der zu beachtenden Rechtsgebiete und Normen in der Schweiz im White Paper Teleradiologie zusammen [23]. Bei der Erstellung der Umfrage war uns die bewusste Differenzierung zwischen einer teleradiologischen Untersuchung im Sinne des StrSchG und einem teleradiologischen Konsil entsprechend der deutschen Rechtsprechung wichtig. Bei ersterer beaufsichtigt der fachkundige Arzt die Durchführung einer Untersuchung durch einen medizinischen Technologen für Radiologie (MTR) aus der Ferne, was im Vorfeld eine enge und aufwendige Kooperation mit dem jeweiligen Zuweiser erfordert [24]. In der Schweiz entspricht das der Durchführung im Teleradiologie-Satelliten [23]. Letztere sind weniger aufwendig und niederschwelliger verfügbar. Unsere Umfrage bestätigt die Wahrnehmung vieler Kinderradiologen, dass teleradiologische Konsile zur Zweitmeinung regelmäßig in mehr als der Hälfte der Abteilungen durchgeführt werden. Bei teils substanziellen Diskrepanzen zwischen den Beurteilungen durch Allgemein- oder Kinderradiologen, kann eine kinderradiologische Zweitmeinung therapierelevante Änderungen am Befund bewirken und somit zur bestmöglichen Krankenversorgung von Kindern beitragen [17]. Das führt allerdings zu einer deutlichen Mehrbelastung der Kinderradiologen.

Im Vergleich zu Konsilen werden weniger teleradiologische Untersuchungen im Sinne des StrSchG, MedStrSchV oder dem Schweizer Satelliten-Model durchgeführt. Das im GPR-Strategiepapier angedachte flächendeckende Netzwerk aus Zuweisern und kinderradiologischen Zentren könnte die teleradiologische Zusammenarbeit, insbesondere für Zweitmeinungen und Konsile, weiter begünstigen [1]. Die befragten Kinderradiologen sehen Vorteile der Teleradiologie in der verbesserten Verfügbarkeit kinderradiologischer Expertise. Als limitierende Faktoren zum Ausbau des teleradiologischen Angebots werden neben rechtlichen Unsicherheiten Abrechnungsfragen und technische Limitationen genannt. Das GPR-Strategiepapier empfiehlt daher technische und personelle Bedarfserhebungen, um notwendige Leistungserweiterungen zu planen [1]. Eine fehlende Leitlinie zum Umgang mit Teleradiologie bei Kindern und Jugendlichen wird als limitierend angesehen. Die Heterogenität des teleradiologischen Angebots und entsprechender Regelungen wurde weiterhin als limitierender Faktor identifiziert. Basierend auf dem GPR-Strategiepapier fokussierten wir die Erhebung auf die Kooperation kinderradiologischer Zentren mit peripheren Zuweisern und nicht auf eine mögliche Befundung von zu Hause. Auch wenn Homeoffice und reduzierte Dienstbelastung grundsätzlich die Attraktivität des Faches steigern könnte [16] [22], obliegen entsprechende Regelungen den jeweiligen Zentren. Eine italienische Umfrage aus der Allgemeinradiologie stützt ebenfalls unsere Beobachtungen, dass Teleradiologie als zukunftsweisend angesehen wird [19]. Die in dieser Arbeit beschriebene Befürchtung, dass durch die Teleradiologie die Kooperation mit den zuweisenden Klinikern leiden könnte, konnten wir in unserer Arbeit nicht feststellen. Das könnte einerseits durch den Fokus auf die Kooperation mit anderen radiologischen Abteilungen begründet sein, andererseits zeichnet sich Kinderradiologie grundsätzlich durch eine enge Kooperation mit Pädiatrie und Kinderchirurgie aus [1]. Insgesamt wird Teleradiologie trotz bestehender Bedenken als Chance zur verbesserten radiologischen Versorgung von Kindern und Jugendlichen gesehen.

KI wird von den befragten Kinderradiologen ebenfalls als relevante Technologie für die Kinder- und Jugendradiologie angesehen. Die bereits oben erwähnte internationale Umfrage von Shelmerdine et al. untermauert diese positive Einstellung [18]. Aufgrund unseres Fokus auf Schlüsseltechnologien zur Verbesserung der kinderradiologischen Versorgung in der Breite haben wir bewusst Fragen zur Ersetzungsangst ausgeklammert. Zumal frühere Arbeiten keine Hinweise auf diese Ängste lieferten [18]. Die Nutzung von KI im klinischen Alltag bleibt jedoch analog zur Teleradiologie hinter den positiven Einstellungen zurück.

Obwohl KI in nahezu jedem Schritt des radiologischen Workflows anwendbar ist [4] [5] [6], nutzen die befragten Kinderradiologen Anwendungen der KI hauptsächlich zur Segmentation/Volumetrie, Dosisreduktion, Bildakquise und -verarbeitung und weniger zur Detektion. Aufgrund des besonderen Strahlenrisikos von Kindern [25] ist es nicht verwunderlich, dass ein wesentlicher Fokus des KI-Einsatzes auf Dosisreduktion und optimaler Bildakquise liegt [9] [10]. Die Nutzung von KI wurde von uns anhand der folgenden drei Beispiele Knochenalterbestimmung, Thoraxröntgen und CT weiter differenziert:

Die größte Diskrepanz zeigte sich bei der Knochenalterbestimmung, die über 80% der Befragten als geeignet für KI erachten, jedoch wird in lediglich einem Drittel der Abteilungen eine entsprechende KI-Lösung eingesetzt. Im Allgemeinen wird die Knochenalterbestimmung als eines der Paradebeispiele für KI-Lösungen für die pädiatrische Radiologie angesehen, weshalb 2019 die „RSNA Pediatric Bone Age Machine Learning Challenge“ initiiert wurde [12]. Inzwischen erschienen drei zugelassene, kommerzielle Lösungen auf dem Markt [11], die robuste Altersbestimmungen nach Greulich und Pyle liefern [14]. Eine europaweite Umfrage von Thodberg et al. unter Nutzern der kommerziellen Anwendung BoneXpert kann mögliche Erklärungsansätze der Diskrepanz bieten: Die KI-basierte Analyse spart zwar Zeit, jedoch wird sie meist nur als Ergänzung zur radiologischen Befundung verwendet. Die menschliche Expertise ist auch bei der Beurteilung der Röntgenaufnahme der linken Hand nach wie vor notwendig, da die KI-Anwendungen bisher syndromale oder metabolische Auffälligkeiten nicht erfassen [13]. Dies gilt vorrangig bei der Erstvorstellung zur Knochenalterbestimmung. Die Bewertung des Knochenalters bei den teilweise jährlichen Folgeuntersuchungen kann problemlos die KI-Anwendung übernehmen. Implementierung und laufende Kosten von KI-Lösungen sind kostspielig [5]. Weiterhin könnte die Qualität in der Weiterbildung von Ärzten beeinträchtigt werden.

Die Nutzung von KI für Röntgenaufnahmen des Thorax wird von wenigen Befragten als geeignet empfunden. Entsprechende KI-Lösungen werden kaum von den befragten Kinderradiologen eingesetzt. Dies gilt v.a. für diagnostische KI-Anwendungen, während 13,8% der Befragten KI-Anwendungen zur Bildqualitätsverbesserung beim Thoraxröntgen einsetzen. Eine Erklärung für den geringen Nutzungsgrad ist der Fokus diagnostischer KI-Anwendungen auf jeweils einzelne Erkrankungen wie z.B. Tuberkulose. Die intensivere Verbreitung von KI-Anwendungen wird zudem durch fehlende pädiatrische Kohortenstudien und Datensätze behindert [5] [26]. Demgegenüber steht die häufigere Nutzung von KI in der Bildakquise, zur Qualitätsverbesserung und Dosiseinsparung [9]. So kann unter Einsatz virtueller Streustrahlen-Raster bei Röntgenbettaufnahmen die Bildqualität verbessert und die Strahlenexposition zudem reduziert werden [5] [7] [27]. Die geringste Diskrepanz zwischen potenziellem und tatsächlichem Einsatz von KI-Anwendungen ist bei der Anwendung zur Dosisreduktion in der CT zu beobachten. Bei über der Hälfte der Befragten wird KI zur Bildverbesserung und Dosisoptimierung in der CT eingesetzt. Durch Methoden der KI wird die Entwicklung von Ultra Low Dose-Protokollen ermöglicht [6] [28]. Iterative Rekonstruktionsalgorithmen spielen schon seit längerem eine wesentliche Rolle in der Dosisreduktion in der CT. Auch wenn iterative Rekonstruktionstechniken nicht KI-Anwendungen wie z.B. deep learning entsprechen, haben wir sie bei dieser Frage mit einbezogen, da sie aktuell mit Methoden der KI kombiniert werden [29].

Die größten Vorteile von KI sehen die befragten Kinderradiologen künftig in der Arbeitserleichterung, Zeitersparnis und Fehlervermeidung. Das spiegelt die grundsätzlich positive Einstellung zu KI wider, die in Umfragen in der Allgemeinradiologie erhoben wurden [20] [30]. Unsere Ergebnisse bestätigen die positive Einstellung von Kinderradiologen gegenüber KI, wie sie in der internationalen Kinderradiologen-Umfrage von Shelmerdine et al. beobachtet wurde [18]. KI-Anwendungen zur Optimierung der Strahlenexposition werden insbesondere im deutschsprachigen Raum häufiger eingesetzt [9]. Als limitierende Faktoren für den Einsatz von KI werden vor allem Kosten und technische Einschränkungen genannt. Diese können durch unzureichende Finanzierung der Kindermedizin verstärkt werden, wie beispielsweise in Deutschland. Interessanterweise werden im Gegensatz zur Teleradiologie deutlich weniger rechtliche Bedenken gesehen.


#

Schlussfolgerung

Unsere Umfrage zeigt, dass Teleradiologie und Künstliche Intelligenz als Zukunftstechnologien für die Kinder- und Jugendradiologie gesehen werden. Für den aktuellen Einsatz in der Breite werden aber noch verschiedene Hindernisse gesehen. Eine verstärkte Integration dieser Technologien könnte durch klare rechtliche Rahmenbedingungen, angepasste Abrechnungsmöglichkeiten und technische Verbesserungen gefördert werden. Weiterführende Studien und gezielte Pilotprojekte könnten dazu beitragen, diese Technologien in der klinischen Praxis weiter zu etablieren und im Nachgang zu evaluieren, ob sich die erwarteten Vorteile (z.B. Arbeitserleichterung) auch tatsächlich manifestiert haben.


#
#

Interessenkonflikt

Die Autorinnen/Autoren geben an, dass kein Interessenkonflikt besteht.

Danksagung

Die Autoren danken den Mitarbeitenden der Geschäftsstelle der Deutschen Röntgengesellschaft/der Gesellschaft für Pädiatrische Radiologie für ihre Unterstützung.

  • Literatur

  • 1 Mentzel HJ, von Kalle T, Antoch G. et al. Challenges in Pediatric Radiology – Strategies of the board of the German speaking Society of Pediatric Radiology. RoFo 2020; 192: 531-536
  • 2 Staatz G, Daldrup-Link HE, Herrmann J. et al. From Xrays to PET/MR, and then? – Future imaging in pediatric radiology. RoFo 2019; 191: 357-366
  • 3 Rajpurkar P, Lungren MP. The Current and Future State of AI Interpretation of Medical Images. N Engl J Med 2023; 388: 1981-1990
  • 4 Davendralingam N, Sebire NJ, Arthurs OJ. et al. Artificial intelligence in paediatric radiology: Future opportunities. Br J Radiol 2020; 94
  • 5 Mentzel HJ. Artificial intelligence in image evaluation and diagnosis. Monatsschr Kinderheilkd 2021; 169: 694-704
  • 6 Sorantin E, Grasser MG, Hemmelmayr A. et al. The augmented radiologist: Artificial intelligence in the practice of radiology. Pediatr Radiol 2022; 52: 2074-2086
  • 7 Krueger P-C, Ebeling K, Waginger M. et al. Evaluation of the post-processing algorithms SimGrid and S-Enhance for paediatric intensive care patients and neonates. Pediatr Radiol 2022; 52: 1029-1037
  • 8 Gallo-Bernal S, Bedoya MA, Gee MS. et al. Pediatric magnetic resonance imaging: faster is better. Pediatr Radiol 2023; 53: 1270-1284
  • 9 Ng CKC. Artificial Intelligence for Radiation Dose Optimization in Pediatric Radiology: A Systematic Review. Children (Basel) 2022; 9: 1044
  • 10 Tschauner S, Zellner M, Pistorius S. et al. Ultra-low-dose lung multidetector computed tomography in children – Approaching 0.2 millisievert. Eur J Radiol 2021; 139
  • 11 Offiah AC. Current and emerging artificial intelligence applications for pediatric musculoskeletal radiology. Pediatr Radiol 2022; 52: 2149-2158
  • 12 Halabi SS, Prevedello LM, Kalpathy-Cramer J. et al. The RSNA Pediatric Bone Age Machine Learning Challenge. Radiology 2019; 290: 498-503
  • 13 Thodberg HH, Thodberg B, Ahlkvist J. et al. Autonomous artificial intelligence in pediatric radiology: The use and perception of BoneXpert for bone age assessment. Pediatr Radiol 2022; 52: 1338-1346
  • 14 Pape J, Hirsch FW, Deffaa OJ. et al. Applicability and robustness of an artificial intelligence-based assessment for Greulich and Pyle bone age in a German cohort. RoFo 2023;
  • 15 Franken Jr. EA, Berbaum KS, Brandser EA. et al. Pediatric radiology at a rural hospital: Value of teleradiology and subspecialty consultation. AJR Am J Roentgeno 1997; 168: 1349-1352
  • 16 Katz ME. Pediatric teleradiology: The benefits. Pediatr Radiol 2010; 40: 1345-1348
  • 17 Sammer MBK, Kan JH. Providing second-opinion interpretations of pediatric imaging: Embracing the call for value-added medicine. Pediatr Radiol 2021; 51: 523-528
  • 18 Shelmerdine SC, Rosendahl K, Arthurs OJ. Artificial intelligence in paediatric radiology: International survey of health care professionals’ opinions. Pediatr Radiol 2022; 52: 30-41
  • 19 Coppola F, Bibbolino C, Grassi R. et al. Results of an Italian survey on teleradiology. Radiol med 2016; 121: 652-659
  • 20 Huisman M, Ranschaert E, Parker W. et al. An international survey on AI in radiology in 1,041 radiologists and radiology residents part 1: Fear of replacement, knowledge, and attitude. Eur Radiol 2021; 31: 7058-7066
  • 21 Horst KK, Leschied JR, Janitz EM. et al. Neonatal neurosonography practices: A survey of active Society for Pediatric Radiology members. Pediatr Radiol 2023; 53: 112-120
  • 22 Seghers MC, Seghers VJ, Sher AC. et al. Working from home during the COVID-19 pandemic: Surveys of the Society for Pediatric Radiology and the Society of Chiefs of Radiology at Children’s Hospitals. Pediatr Radiol 2022; 52: 1242-1254
  • 23 Roos JE, Agten C, Treumann T. et al. SGR-SSR TELERADIOLOGIE WHITE PAPER 2.0. 2019.
  • 24 Bohrer E, Schäfer SB, Krombach GA. Die neue Strahlenschutzgesetzgebung – Teil 2. Der Radiologe 2020; 60: 959-965
  • 25 Pearce MS, Salotti JA, Little MP. et al. Radiation exposure from CT scans in childhood and subsequent risk of leukaemia and brain tumours: A retrospective cohort study. Lancet 2012; 380: 499-505
  • 26 Padash S, Mohebbian MR, Adams SJ. et al. Pediatric chest radiograph interpretation: How far has artificial intelligence come? A systematic literature review. Pediatr Radiol 2022; 52: 1568-1580
  • 27 Ahn SY, Chae KJ, Goo JM. The Potential Role of Grid-Like Software in Bedside Chest Radiography in Improving Image Quality and Dose Reduction: An Observer Preference Study. Korean J Radiol 2018; 19: 526-533
  • 28 Zhang H, Wang J, Zeng D. et al. Regularization strategies in statistical image reconstruction of low-dose x-ray CT: A review. Med Phys 2018; 45: e886-e907
  • 29 Mese I, Altintas Mese C, Demirsoy U. et al. Innovative advances in pediatric radiology: Computed tomography reconstruction techniques, photon-counting detector computed tomography, and beyond. Pediatr Radiol 2024; 54: 1-11
  • 30 Codari M, Melazzini L, Morozov SP. et al. Impact of artificial intelligence on radiology: A EuroAIM survey among members of the European Society of Radiology. Insights Imaging 2019; 10: 105

Korrespondenzadresse

Prof. Hans-Joachim Mentzel, MD
Pediatric Radiology, Jena University Hospital
Am Klinikum
07747 Jena
Germany   

Publication History

Received: 11 September 2024

Accepted after revision: 09 January 2025

Article published online:
06 February 2025

© 2025. Thieme. All rights reserved.

Georg Thieme Verlag KG
Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany

  • Literatur

  • 1 Mentzel HJ, von Kalle T, Antoch G. et al. Challenges in Pediatric Radiology – Strategies of the board of the German speaking Society of Pediatric Radiology. RoFo 2020; 192: 531-536
  • 2 Staatz G, Daldrup-Link HE, Herrmann J. et al. From Xrays to PET/MR, and then? – Future imaging in pediatric radiology. RoFo 2019; 191: 357-366
  • 3 Rajpurkar P, Lungren MP. The Current and Future State of AI Interpretation of Medical Images. N Engl J Med 2023; 388: 1981-1990
  • 4 Davendralingam N, Sebire NJ, Arthurs OJ. et al. Artificial intelligence in paediatric radiology: Future opportunities. Br J Radiol 2020; 94
  • 5 Mentzel HJ. Artificial intelligence in image evaluation and diagnosis. Monatsschr Kinderheilkd 2021; 169: 694-704
  • 6 Sorantin E, Grasser MG, Hemmelmayr A. et al. The augmented radiologist: Artificial intelligence in the practice of radiology. Pediatr Radiol 2022; 52: 2074-2086
  • 7 Krueger P-C, Ebeling K, Waginger M. et al. Evaluation of the post-processing algorithms SimGrid and S-Enhance for paediatric intensive care patients and neonates. Pediatr Radiol 2022; 52: 1029-1037
  • 8 Gallo-Bernal S, Bedoya MA, Gee MS. et al. Pediatric magnetic resonance imaging: faster is better. Pediatr Radiol 2023; 53: 1270-1284
  • 9 Ng CKC. Artificial Intelligence for Radiation Dose Optimization in Pediatric Radiology: A Systematic Review. Children (Basel) 2022; 9: 1044
  • 10 Tschauner S, Zellner M, Pistorius S. et al. Ultra-low-dose lung multidetector computed tomography in children – Approaching 0.2 millisievert. Eur J Radiol 2021; 139
  • 11 Offiah AC. Current and emerging artificial intelligence applications for pediatric musculoskeletal radiology. Pediatr Radiol 2022; 52: 2149-2158
  • 12 Halabi SS, Prevedello LM, Kalpathy-Cramer J. et al. The RSNA Pediatric Bone Age Machine Learning Challenge. Radiology 2019; 290: 498-503
  • 13 Thodberg HH, Thodberg B, Ahlkvist J. et al. Autonomous artificial intelligence in pediatric radiology: The use and perception of BoneXpert for bone age assessment. Pediatr Radiol 2022; 52: 1338-1346
  • 14 Pape J, Hirsch FW, Deffaa OJ. et al. Applicability and robustness of an artificial intelligence-based assessment for Greulich and Pyle bone age in a German cohort. RoFo 2023;
  • 15 Franken Jr. EA, Berbaum KS, Brandser EA. et al. Pediatric radiology at a rural hospital: Value of teleradiology and subspecialty consultation. AJR Am J Roentgeno 1997; 168: 1349-1352
  • 16 Katz ME. Pediatric teleradiology: The benefits. Pediatr Radiol 2010; 40: 1345-1348
  • 17 Sammer MBK, Kan JH. Providing second-opinion interpretations of pediatric imaging: Embracing the call for value-added medicine. Pediatr Radiol 2021; 51: 523-528
  • 18 Shelmerdine SC, Rosendahl K, Arthurs OJ. Artificial intelligence in paediatric radiology: International survey of health care professionals’ opinions. Pediatr Radiol 2022; 52: 30-41
  • 19 Coppola F, Bibbolino C, Grassi R. et al. Results of an Italian survey on teleradiology. Radiol med 2016; 121: 652-659
  • 20 Huisman M, Ranschaert E, Parker W. et al. An international survey on AI in radiology in 1,041 radiologists and radiology residents part 1: Fear of replacement, knowledge, and attitude. Eur Radiol 2021; 31: 7058-7066
  • 21 Horst KK, Leschied JR, Janitz EM. et al. Neonatal neurosonography practices: A survey of active Society for Pediatric Radiology members. Pediatr Radiol 2023; 53: 112-120
  • 22 Seghers MC, Seghers VJ, Sher AC. et al. Working from home during the COVID-19 pandemic: Surveys of the Society for Pediatric Radiology and the Society of Chiefs of Radiology at Children’s Hospitals. Pediatr Radiol 2022; 52: 1242-1254
  • 23 Roos JE, Agten C, Treumann T. et al. SGR-SSR TELERADIOLOGIE WHITE PAPER 2.0. 2019.
  • 24 Bohrer E, Schäfer SB, Krombach GA. Die neue Strahlenschutzgesetzgebung – Teil 2. Der Radiologe 2020; 60: 959-965
  • 25 Pearce MS, Salotti JA, Little MP. et al. Radiation exposure from CT scans in childhood and subsequent risk of leukaemia and brain tumours: A retrospective cohort study. Lancet 2012; 380: 499-505
  • 26 Padash S, Mohebbian MR, Adams SJ. et al. Pediatric chest radiograph interpretation: How far has artificial intelligence come? A systematic literature review. Pediatr Radiol 2022; 52: 1568-1580
  • 27 Ahn SY, Chae KJ, Goo JM. The Potential Role of Grid-Like Software in Bedside Chest Radiography in Improving Image Quality and Dose Reduction: An Observer Preference Study. Korean J Radiol 2018; 19: 526-533
  • 28 Zhang H, Wang J, Zeng D. et al. Regularization strategies in statistical image reconstruction of low-dose x-ray CT: A review. Med Phys 2018; 45: e886-e907
  • 29 Mese I, Altintas Mese C, Demirsoy U. et al. Innovative advances in pediatric radiology: Computed tomography reconstruction techniques, photon-counting detector computed tomography, and beyond. Pediatr Radiol 2024; 54: 1-11
  • 30 Codari M, Melazzini L, Morozov SP. et al. Impact of artificial intelligence on radiology: A EuroAIM survey among members of the European Society of Radiology. Insights Imaging 2019; 10: 105

Zoom Image
Abb. 1 a Relevanz und Nutzung von Teleradiologie in der Kinder- und Jugendradiologie; b Durchführung bzw. Befundung von teleradiologischen Konsilen und Untersuchungen im Sinne des StrSchG bzw. der MedStrSchV.
Zoom Image
Abb. 2 a Limitierende Faktoren bei der weiteren Implementierung von Teleradiologie (Mehrfachnennung möglich); b Größter Vorteil von Teleradiologie.
Zoom Image
Abb. 3 Relevanz und Nutzung von KI in der Kinder- und Jugendradiologie.
Zoom Image
Abb. 4 Exemplarische KI-Anwendungen in der Kinderradiologie; a Knochenalterbestimmung; b Thorax-Röntgen; c Computertomografie.
Zoom Image
Abb. 5 a Limitierende Faktoren bei der weiteren Implementierung von KI (Mehrfachnennung möglich). b Größter Vorteil von KI.
Zoom Image
Fig. 1 a Relevance and utilization of teleradiology in pediatric radiology; b Utilization and reporting on teleradiology consultations and examinations in line with the StrSchG and MedStrSchV medical radiation regulations.
Zoom Image
Fig. 2 a Limiting factors in the further implementation of teleradiology (multiple answers possible); b Greatest benefit of teleradiology.
Zoom Image
Fig. 3 Relevance and use of AI in pediatric radiology.
Zoom Image
Fig. 4 Examples of AI applications in pediatric radiology; a Bone age determination; b Chest X-rays; c Computed tomography.
Zoom Image
Fig. 5 a Limiting factors in the further implementation of AI (multiple answers possible); b Greatest benefit of AI.