EUVIMEDEUVIMED entdecken
Crossref

Künstliche Intelligenz in der onkologischen Hybridbildgebung

Benedikt Feuerecker, Maurice Heimer, Thomas Geyer, Matthias P. Fabritius, Sijing Gu, Balthasar Schachtner, Leonie Beyer, Jens Ricke, Sergios Gatidis, Michael Ingrisch, Clemens C. Cyran

Angewandte Nuklearmedizin · 01.12.2024 · 47 (04) · 246-256

DOI: 10.1055/a-2140-7831 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Angewandte Nuklearmedizin, erschienen am 01.12.2024. Verfasst von Benedikt Feuerecker und 10 weiteren Autor:innen. Die Arbeit nennt 74 Literaturangaben.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Hintergrund Der Stellenwert künstlicher Intelligenz (KI) hat in der medizinischen Bildgebung in den letzten Jahren deutlich zugenommen. Aufgrund der enormen Datenmengen und strukturierbaren Aufgaben im diagnostischen Workflow hat die KI in der onkologischen Hybridbildgebung besonders vielversprechende Anwendungsgebiete für die Läsionsdetektion, die Läsionscharakterisierung und die Therapiebeurteilung. Vor dem Hintergrund rasanter Entwicklungen im Bereich des Machine Learning (ML) und des Deep Learning (DL) ist von einer zunehmenden Bedeutung in der onkologischen Hybridbildgebung auszugehen mit Potenzial, die klinische Therapiesteuerung und patientenrelevante Ergebnisse zu verbessern. Methode und Ergebnisse Diese narrative Übersichtsarbeit fasst die Evidenz in verschiedenen aufgabenbezogenen Anwendungen der Bildanalyse von KI im Bereich der onkologischen Hybridbildgebung zusammen. Nach Einführung in das Thema der KI werden ausgewählte Beispiele exploriert, vor dem Hintergrund aktueller Herausforderungen und im Hinblick auf die klinische Relevanz in der Therapiesteuerung diskutiert. Schlussfolgerung Der Einsatz von KI bietet vielversprechende Anwendungen der Detektion, der Charakterisierung und der longitudinalen Therapiebeurteilung im Bereich der onkologischen Hybridbildgebung. Schlüsselherausforderungen liegen in den Bereichen der Entwicklung von Algorithmen, der Validierung und der klinischen Implementierung. Kernaussagen Mit der onkologischen Hybridbildgebung werden große Datenvolumen aus zwei bildgebenden Modalitäten erzeugt, deren strukturierte Analyse komplex ist. Für die Datenanalyse werden neue Methoden benötigt, um eine schnelle und kosteneffiziente Beurteilung in allen Aspekten der diagnostischen Wertschöpfungskette zu ermöglichen. KI verspricht, die diagnostische Auswertung der onkologischen Hybridbildgebung zu vereinfachen und wesentliche Verbesserungen in Qualität und Effizienz bei der Erkennung, Charakterisierung und dem longitudinalen Monitoring onkologischer Erkrankungen zu ermöglichen. Ziel ist, reproduzierbare, strukturierte, quantitative diagnostische Daten für die evidenzbasierte onkologische Therapiesteuerung zu generieren. Selektierte Anwendungsbeispiele in drei ausgewählten Tumorentitäten (Lungenkarzinom, Prostatakarzinom, Neuroendokrine Tumore) zeigen, wie KI-gestützte Applikationen einen wesentlichen Beitrag in der automatisierten Bildanalyse leisten und eine weitere Individualisierung von Therapien ermöglichen könnten.

Zitieren

APA

Feuerecker, B., Heimer, M., Geyer, T., Fabritius, M. P., Gu, S., Schachtner, B., Beyer, L., Ricke, J., Gatidis, S., Ingrisch, M., & Cyran, C. C. (2024). Künstliche Intelligenz in der onkologischen Hybridbildgebung. Angewandte Nuklearmedizin, 47(04), 246-256. https://doi.org/10.1055/a-2140-7831

Vancouver

Feuerecker B, Heimer M, Geyer T, Fabritius MP, Gu S, Schachtner B, et al. Künstliche Intelligenz in der onkologischen Hybridbildgebung. Angewandte Nuklearmedizin. 2024;47(04):246-256. doi:10.1055/a-2140-7831

BibTeX
@article{Feuerecker2024,
  author = {Feuerecker, Benedikt and Heimer, Maurice and Geyer, Thomas and Fabritius, Matthias P. and Gu, Sijing and Schachtner, Balthasar and Beyer, Leonie and Ricke, Jens and Gatidis, Sergios and Ingrisch, Michael and Cyran, Clemens C.},
  title = {Künstliche Intelligenz in der onkologischen Hybridbildgebung},
  journal = {Angewandte Nuklearmedizin},
  year = {2024},
  volume = {47},
  number = {04},
  pages = {246--256},
  doi = {10.1055/a-2140-7831}
}
Kostenlos starten →