Advertisement

Der Radiologe

, Volume 60, Issue 1, pp 64–69 | Cite as

Künstliche Intelligenz in der Radiologie

Was ist in den nächsten Jahren zu erwarten?
  • Johannes HauboldEmail author
Leitthema

Zusammenfassung

Klinisches/methodisches Problem

Künstliche Intelligenz (KI) durchdringt immer mehr Felder der Radiologie. Ziel dieses Übersichtsartikels ist es, die zu erwartenden Entwicklungen in den nächsten 5 bis 10 Jahren zu zeigen sowie mögliche Vorteile und Risiken darzustellen.

Radiologische Standardverfahren

Aktuell wird jede Computertomographie (CT) mittels fest programmierter Algorithmen rekonstruiert. Pathologien werden vom Radiologen mit hohem zeitlichem Aufwand detektiert und mittels standardisierter Verfahren evaluiert.

Methodische Innovationen

KI kann bei all diesen Standardverfahren in der Zukunft Abhilfe schaffen. CT-Rekonstruktionen können mittels „generative adversarial networks“ (GAN) deutlich verbessert werden. Histologien können mittels auf Radiomics oder Deep Learning (DL) basierter Bildanalyse bewertet und die Prognose des Patienten hoch individualisiert vorhergesagt werden.

Leistungsfähigkeit

Die Leistungsfähigkeit der Netzwerke wird dabei stark von der Datenqualität beeinflusst und bedarf einer ausführlichen Validierung. Entscheidend ist auch die Fähigkeit und Bereitschaft der Hersteller, diese in die bestehenden RIS-/PACS-Systeme zu integrieren.

Bewertung

Künstliche Intelligenz wird in hohem Maße den Alltag des klinisch tätigen Radiologen beeinflussen. Publikationen zu den Risiken der Technik und zur adäquaten Validierung sind allerdings noch unterrepräsentiert. Neben der Erschließung neuer Anwendungsfelder bedarf es daher auch einer weiteren Erforschung möglicher Risiken.

Empfehlungen für die Praxis

KI wird in den nächsten 5 bis 10 Jahren vielfältige Möglichkeiten der Arbeitsverbesserung und -erleichterung bieten. Die Integration der Anwendungen in die vorhandenen RIS-/PACS-Systeme wird voraussichtlich über App-Stores und/oder bestehende Teleradiologienetzwerke ablaufen.

Schlüsselwörter

Bildanalyse Deep Learning Radiomics Validierung Risiken 

Artificial Intelligence in radiology

What can be expected in the next few years?

Abstract

Clinical/methodological issue

Artificial intelligence (AI) is being increasingly used in the field of radiology. The aim of this review is to illustrate the developments expected in the next 5 to 10 years as well as possible advantages and risks.

Standard radiological methods

Currently, all computed tomography (CT) images are reconstructed using programmed algorithms. Pathologies are detected by the radiologist with a high expenditure of time and evaluated using standardized procedures.

Methodological innovations

AI can potentially provide a significant improvement to all these standard procedures in the future. CT reconstructions can be significantly enhanced using generative adversarial networks (GAN). Histology can be evaluated using radiomics or deep learning (DL)-based image analysis and the prognosis of the patient can be predicted highly individualized.

Performance

The performance of the networks is strongly influenced by data quality and requires extensive validation. The ability and willingness of the manufacturers to integrate these into the existing RIS/PACS systems is also decisive.

Evaluation

AI will have a large impact on the daily clinical work of radiologists. However, publications on the risks of the technology and on adequate validation are still lacking. In addition to opening new fields of application, further research regarding possible risks is warranted.

Practical recommendations

In the next 5 to 10 years, AI will improve and facilitate work in clinical practice. The integration of the applications into the existing RIS/PACS systems is expected to take place via app stores and/or existing teleradiology networks.

Keywords

Image analysis Deep learning Radiomics Validation Risks 

Notes

Einhaltung ethischer Richtlinien

Interessenkonflikt

J. Haubold gibt an, dass kein Interessenkonflikt besteht.

Für diesen Beitrag wurden vom Autor keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.

Literatur

  1. 1.
    Kuan K, Ravaut M, Manek G et al (2017) Deep learning for lung cancer detection: tackling the Kaggle data science bowl 2017 challenge. ArXiv170509435 CsGoogle Scholar
  2. 2.
    Bakas S, Reyes M, Jakab A et al (2018) Identifying the best machine learning algorithms for brain tumor segmentation, progression assessment, and overall survival prediction in the BRATS challengeGoogle Scholar
  3. 3.
    Halabi SS, Prevedello LM, Kalpathy-Cramer J et al (2018) The RSNA pediatric bone age machine learning challenge. Radiology 290:498–503CrossRefGoogle Scholar
  4. 4.
    Jacobs C, van Rikxoort EM, Murphy K et al (2016) Computer-aided detection of pulmonary nodules: a comparative study using the public LIDC/IDRI database. Eur Radiol 26:2139–2147CrossRefGoogle Scholar
  5. 5.
    Pehrson LM, Nielsen MB, Ammitzbøl Lauridsen C (2019) Automatic pulmonary nodule detection applying deep learning or machine learning algorithms to the LIDC-IDRI database: a systematic review. Diagnostics 9:29.  https://doi.org/10.3390/diagnostics9010029 CrossRefPubMedCentralGoogle Scholar
  6. 6.
    Ardila D, Kiraly AP, Bharadwaj S et al (2019) End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nat Med 25:954–961CrossRefGoogle Scholar
  7. 7.
    McKee BJ, Regis SM, McKee AB et al (2015) Performance of ACR Lung-RADS in a clinical CT lung screening program. J Am Coll Radiol 12:273–276CrossRefGoogle Scholar
  8. 8.
    Raz DJ, Lanuti M, Gaissert HC et al (2011) Outcomes of patients with isolated adrenal metastasis from non-small cell lung carcinoma. Ann Thorac Surg 92:1788–1792 (discussion 1793)CrossRefGoogle Scholar
  9. 9.
    Lambin P, Rios-Velazquez E, Leijenaar R et al (2012) Radiomics: Extracting more information from medical images using advanced feature analysis. Eur J Cancer 48:441–446CrossRefGoogle Scholar
  10. 10.
    Yang L, Dong D, Fang M et al (2018) Can CT-based radiomics signature predict KRAS/NRAS/BRAF mutations in colorectal cancer? Eur Radiol 28:2058–2067CrossRefGoogle Scholar
  11. 11.
    Wu S, Zheng J, Li Y et al (2017) A radiomics nomogram for the preoperative prediction of lymph node metastasis in bladder cancer. Clin Cancer Res 23:6904–6911CrossRefGoogle Scholar
  12. 12.
    Liu Z, Zhang X‑Y, Shi Y‑J et al (2017) Radiomics analysis for evaluation of pathological complete response to neoadjuvant chemoradiotherapy in locally advanced rectal cancer. Clin Cancer Res 23:7253–7262CrossRefGoogle Scholar
  13. 13.
    van Timmeren JE, Leijenaar RTH, van Elmpt W et al (2016) Test-retest data for radiomics feature stability analysis: generalizable or study-specific? Tomography 2:361–365CrossRefGoogle Scholar
  14. 14.
    Schwier M, van Griethuysen J, Vangel MG et al (2019) Repeatability of multiparametric prostate MRI radiomics features. Sci Rep 9:9441CrossRefGoogle Scholar
  15. 15.
    Berenguer R, del Pastor-Juan MR, Canales-Vázquez J et al (2018) Radiomics of CT features may be nonreproducible and redundant: influence of CT acquisition parameters. Radiology 288:407–415CrossRefGoogle Scholar
  16. 16.
    Liang G, Fouladvand S, Zhang J et al (2018) GANai: standardizing CT images using generative adversarial network with alternative improvement. bioRxiv 460188Google Scholar
  17. 17.
    Cohen JP, Luck M, Honari S (2018) How to cure cancer (in images) with unpaired image translationGoogle Scholar
  18. 18.
    Parmar C, Velazquez ER, Leijenaar R et al (2014) Robust radiomics feature quantification using semiautomatic volumetric segmentation. Plos One 9:e102107CrossRefGoogle Scholar
  19. 19.
    Lao J, Chen Y, Li Z‑C et al (2017) A deep learning-based radiomics model for prediction of survival in glioblastoma multiforme. Sci Rep 7:1–8CrossRefGoogle Scholar
  20. 20.
    Han Y, Sunwoo L, Ye JC (2018) k‑space deep learning for accelerated MRI. ArXiv180503779 Cs StatGoogle Scholar
  21. 21.
    Yang Q, Yan P, Zhang Y et al (2018) Low-dose CT image denoising using a generative adversarial network with Wasserstein distance and perceptual loss. IEEE Trans Med Imaging 37:1348–1357CrossRefGoogle Scholar
  22. 22.
    Isola P, Zhu J‑Y, Zhou T et al (2016) Image-to-image translation with conditional adversarial networksGoogle Scholar
  23. 23.
    Zhu J‑Y, Park T, Isola P et al (2017) Unpaired image-to-image translation using cycle-consistent adversarial networks. ArXiv170310593 CsCrossRefGoogle Scholar
  24. 24.
    Winkel DJ, Heye T, Weikert TJ et al (2019) Evaluation of an aI-based detection software for acute findings in abdominal computed tomography scans: toward an automated work list prioritization of routine CT examinations. Invest Radiol 54:55CrossRefGoogle Scholar
  25. 25.
    Brown AD, Marotta TR (2018) Using machine learning for sequence-level automated MRI protocol selection in neuroradiology. J Am Med Inform Assoc 25:568–571CrossRefGoogle Scholar
  26. 26.
    Stocker D, Finkenstaedt T, Kuehn B et al (2018) Performance of an automated versus a manual whole-body magnetic resonance imaging workflow. Invest Radiol 53:463CrossRefGoogle Scholar
  27. 27.
    Piau A, Crissey R, Brechemier D et al (2019) A smartphone chatbot application to optimize monitoring of older patients with cancer. Int J Med Inf 128:18–23CrossRefGoogle Scholar
  28. 28.
    Stephens TN, Joerin A, Rauws M et al (2019) Feasibility of pediatric obesity and prediabetes treatment support through Tess, the AI behavioral coaching chatbot. Transl Behav Med 9:440–447CrossRefGoogle Scholar
  29. 29.
    Easton K, Potter S, Bec R et al (2019) A virtual agent to support individuals living with physical and mental comorbidities: co-design and acceptability testing. J Med Internet Res 21:e12996CrossRefGoogle Scholar
  30. 30.
    Borza D, Danescu R, Itu R et al (2017) High-speed video system for micro-expression detection and recognition. Sensors.  https://doi.org/10.3390/s17122913 CrossRefPubMedGoogle Scholar

Copyright information

© Springer Medizin Verlag GmbH, ein Teil von Springer Nature 2019

Authors and Affiliations

  1. 1.Institut für Diagnostische und Interventionelle Radiologie und NeuroradiologieUniversitätsklinikum EssenEssenDeutschland

Personalised recommendations