> Detailanzeige

Langs, Georg; Attenberger, Ulrike; Licandro, Roxane; Hofmanninger, Johannes; Perkonigg, Matthias; Zusag, Mario; Röhrich, Sebastian; Sobotka, Daniel; Prosch, Helmut

Maschinelles Lernen in der Radiologie : Begriffsbestimmung vom Einzelzeitpunkt bis zur Trajektorie : Begriffsbestimmung vom Einzelzeitpunkt bis zur Trajektorie

Literatur-
verwaltung

Zur
Merkliste

Lösche von
Merkliste

Per Whatsapp teilen

Schließen

Merkliste



Sie können Bookmarks mittels Listen verwalten, loggen Sie sich dafür bitte in Ihr SLUB Benutzerkonto ein.
  • Medientyp: E-Artikel
  • Titel: Maschinelles Lernen in der Radiologie : Begriffsbestimmung vom Einzelzeitpunkt bis zur Trajektorie : Begriffsbestimmung vom Einzelzeitpunkt bis zur Trajektorie
  • Beteiligte: Langs, Georg; Attenberger, Ulrike; Licandro, Roxane; Hofmanninger, Johannes; Perkonigg, Matthias; Zusag, Mario; Röhrich, Sebastian; Sobotka, Daniel; Prosch, Helmut
  • Erschienen: Springer Science and Business Media LLC, 2020
  • Erschienen in: Der Radiologe
  • Sprache: Deutsch
  • DOI: 10.1007/s00117-019-00624-x
  • ISSN: 0033-832X; 1432-2102
  • Schlagwörter: Radiology, Nuclear Medicine and imaging
  • Entstehung:
  • Anmerkungen:
  • Beschreibung: <jats:title>Zusammenfassung</jats:title><jats:sec> <jats:title>Methodisches Problem</jats:title> <jats:p>Maschinelles Lernen (ML) nimmt zunehmend Einzug in die Radiologie, um Aufgaben wie die automatische Detektion und Segmentation von diagnoserelevanten Bildmerkmalen, die Charakterisierung von Krankheits- und Behandlungsverläufen sowie Vorhersagen für individuelle Patienten durchzuführen.</jats:p> </jats:sec><jats:sec> <jats:title>Radiologische Standardverfahren</jats:title> <jats:p>Die Anwendung von ML-Algorithmen ist für alle radiologischen Verfahren von der Computertomographie (CT), über die Magnetresonanztomographie (MRT) bis zum Ultraschall relevant. Verschiedene Modalitäten führen zu unterschiedlichen Herausforderungen bezüglich Standardisierung und Variabilität.</jats:p> </jats:sec><jats:sec> <jats:title>Methodische Innovationen</jats:title> <jats:p>ML-Algorithmen sind zunehmend in der Lage, auch longitudinale Beobachtungen zu verarbeiten und für das Training von Vorhersagemodellen zu nutzen. Diese Entwicklung erlaubt es, umfassende Informationen für die Vorhersage individueller Verläufe heranzuziehen.</jats:p> </jats:sec><jats:sec> <jats:title>Leistungsfähigkeit</jats:title> <jats:p>Die Qualität der Detektion und Segmentation von Läsionen hat in vielen Bereichen ein akzeptables Niveau erreicht, die Genauigkeit von Vorhersagemodellen muss diese aber erst erreichen, was u. a. auch mit der Verfügbarkeit repräsentativer Trainingsdaten zusammenhängt.</jats:p> </jats:sec><jats:sec> <jats:title>Bewertung</jats:title> <jats:p>Die Entwicklung von ML-basierten Anwendungen in der Radiologie schreitet, trotz dass sich viele der Lösungen noch im Evaluationsstadium befinden, voran, und wird durch eine parallele Weiterentwicklung der grundlegenden Methoden und Techniken begleitet, die sukzessive in die Praxis übergehen werden.</jats:p> </jats:sec><jats:sec> <jats:title>Empfehlung für die Praxis</jats:title> <jats:p>Maßgeblich für den effektiven Einsatz von ML in der Praxis sind die Validierung der Algorithmen und die Erstellung repräsentativer Datensätze, die sowohl für das Training als auch für die Validierung verwendet werden können.</jats:p> </jats:sec>