Kommentar zu „JUNGES FORUM – KI-generiertes Simulationstraining verbessert Mammografiekenntnisse“

Radiologische Diagnostik basiert im Wesentlichen auf Mustererkennung zur Befunddetektion, Interpretation und strukturierter Entscheidungsfindung. Die Ausbildung dieser Fähigkeiten erfolgt primär über die intensive klinisch-praktische Tätigkeit. Dabei erfordert Lernen die Exposition gegenüber einer großen Anzahl und Variation von Fällen, möglichst direktes Feedback und kritische Reflexion. Es gibt Evidenz, dass fallbasiertes Lernen mit der Verknüpfung von theoretischem Wissen und praktischer Bildanalyse in realen oder simulierten Fällen konventionellem Lernen überlegen ist [1]. Das Training radiologischer Gehirne im Sinne biologischer neuronaler Netzwerke könnte analog zu künstlichen neuronalen Netzwerken durch entsprechend strukturierte Lernsysteme effizienter gestaltet werden. Systeme für fallbasiertes Lernen sind nicht neu, aber durch aktuelle Möglichkeiten der Datenverarbeitung und Unterstützung durch Künstliche Intelligenz (KI) potenziell deutlich leistungsstärker. Allerdings erfordert deren Erstellung bisher aufwendig erarbeitete Trainingsfälle.

Publication History

Article published online:
18 November 2025

• Literatur

• 1 Donkin R, Yule H, Fyfe T. Online case-based learning in medical education: a scoping review. BMC Medical Education 2023; 23 (01) 564
• 2 Chen Y, Yang XH, Wei Z. et al. Generative Adversarial Networks in Medical Image augmentation: A review. Computers in Biology and Medicine 2022; 144: 105382
• 3 Oyelade ON, Ezugwu AE, Almutairi MS. et al. A generative adversarial network for synthetization of regions of interest based on digital mammograms. Sci Rep 2022; 12: 6166
• 4 Hofmeijer EIS, Wu SC, Vliegenthart R. et al. Artificial CT images can enhance variation of case images in diagnostic radiology skills training. Insights Imaging 2023; 14 (01) 186
• 5 Deutsche Röntgengesellschaft. DRG-Mitteilung zur Fallsammlung „Blended Learning Mammadiagnostik“: „Unser Lern-Konzept ist digital, real und interaktiv“. RöFo – Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren 2022; 194 (01) 95-97