Künstliche Intelligenz und maschinelles Lernen in der onkologischen BildgebungArtificial intelligence and machine learning in oncologic imaging

被引:0
作者
J. Kleesiek
J. M. Murray
C. Strack
S. Prinz
G. Kaissis
R. Braren
机构
[1] German Cancer Research Center (DKFZ),AG Computational Radiology, Department of Radiology
[2] German Cancer Consortium (DKTK),Institut für Künstliche Intelligenz in der Medizin (IKIM)
[3] Universitätsklinikum Essen,Department of Diagnostic and Interventional Radiology, School of Medicine
[4] Heidelberg University,undefined
[5] Technical University of Munich,undefined
关键词
Maschinelles Lernen; Computergestützte Bildverarbeitung; Diagnostische Bildgebung; Deep Learning; Neuronale Netze (Computer); Machine learning; Computer-assisted image processing; Diagnostic imaging; Deep learning; Neural networks (computer);
D O I
10.1007/s11654-021-00298-9
中图分类号
学科分类号
摘要
Maschinelles Lernen (ML) hält gegenwärtig Einzug in viele Bereiche der Gesellschaft, so auch in die Medizin. Diese Transformation birgt das Potenzial, den ärztlichen Berufsalltag drastisch zu verändern. In der Interaktion zwischen den Disziplinen und Modalitäten der onkologischen Patientenversorgung wird dies besonders deutlich. Computer erbringen in mehreren Forschungsarbeiten in Kollaboration mit Menschen oder allein bereits bessere Ergebnisse in der Tumoridentifikation, ihrer Klassifikation sowie beim Erstellen von Prognosen und bei der Therapieevaluation als Menschen. Zudem können Algorithmen – z. B. künstliche neuronale Netze (KNN), die für viele der gegenwärtigen Errungenschaften im ML-Feld verantwortlich sind – dies reproduzierbar, schnell und kostengünstig erbringen. Es ist heute schon absehbar, dass die Anwendung künstlicher Intelligenz sich zu einem integralen Bestandteil des ärztlichen Handels entwickeln und Vorteile für die onkologische Diagnostik und Therapie bieten wird.
引用
收藏
页码:176 / 185
页数:9
相关论文
共 99 条
[1]  
Kleesiek J(2016)Virtual raters for reproducible and objective assessments in radiology Sci Rep 42 1636-1646
[2]  
Petersen J(2018)Impact of deep learning assistance on the histopathologic review of lymph nodes for metastatic breast cancer Am J Surg Pathol 34 1993-2024
[3]  
Döring M(2015)The multimodal brain tumor image segmentation benchmark (BRATS) IEEE Trans Med Imaging 14 307-320
[4]  
Steiner D(2017)Modified criteria for radiographic response assessment in glioblastoma clinical trials Neurotherapeutics 48 330-340
[5]  
MacDonald R(2019)Can virtual contrast enhancement in brain MRI replace gadolinium?: a feasibility study Invest Radiol 542 115-118
[6]  
Liu Y(2018)Deep learning enables reduced gadolinium dose for contrast-enhanced brain MRI J Magn Reson Imaging 29 1836-1842
[7]  
Menze BH(2017)Dermatologist-level classification of skin cancer with deep neural networks Nature 138 1529-1538
[8]  
Jakab A(2018)Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists Ann Oncol 118 91-96
[9]  
Bauer S(2018)Classification of the clinical images for benign and malignant cutaneous tumors using a deep learning algorithm J Invest Dermatol 25 954-961
[10]  
Ellingson BM(2019)Deep learning outperformed 11 pathologists in the classification of histopathological melanoma images Eur J Cancer 15 e1002686-1567