KlinikerInnen, Verwaltung und IT müssen beim Kauf von KI-Software einbezogen werden. Das ist ein Schlüsselfaktor – neben Datenhoheit, Kostenstruktur, Leistungskennzahlen und Investitionsrendite.

„Das aktuell größte Risiko KI-basierter Anwendungen ist nicht, dass sie besser werden als der Mensch, sondern dass sich der Mensch mit qualitativ schwachen KI-Ergebnissen zufrieden gibt.“ Oleg Pianykh, Harvard Medical School, ruft damit die RadiologInnen auf, sich mit kontinuierlich lernenden KI-Systemen zu befassen.

Ein neuronales Netzwerk kompensiert die durch Unregelmäßigkeit in der Atmung verursachten Unschärfen in der arteriellen Phase einer Primovist®-verstärkten Leber-MRT signifikant.

Fehlende klinische Validierung verhindert bei den allermeisten neuroradiologischen DL-Algorithmen deren Implementieren in eine klinische Umgebung.

Ein Algorithmus zur automatischen Quantifizierung von Koronarverkalkungen erweist sich als robust für unterschiedliche CT-Untersuchungsarten.

Mit Algorithmen erstellte Biomarkerprofile könnten helfen, unnötige Appendektomien bei Kindern und Jugendlichen zu vermeiden.

Die Erwartungen und Befürchtungen an Künstliche Intelligenz (KI) sind groß. Risiken und Chancen diskutiert ein Experte für Innovation im Gesundheitswesen – und stellt den Radiologen ein gutes Zeugnis aus.

Zuverlässig und sogar präziser als Kardiologen kann ein neuronales Netzwerk sowohl Hersteller als auch Modellgruppe implantierter Herzschrittmacher und Defibrillatoren identifizieren.

Die Befundung vom Mammographie-Bildern gelingt Künstlicher Intelligenz ähnlich gut wie erfahrenen BefunderInnen.

Maschinelles Lernen in der quantitativen MRT-Bildgebung könnte die Diagnose neurodegenerativer Erkrankungen entscheidend verbessern.