Der Radiologe: Zeitschrift für diagnostische und interventionelle Radiologie, Radioonkologie, Nuklearmedizin / Künstliche Intelligenz in der Bildgebung der Lunge

Klinisches/methodisches Problem Künstliche Intelligenz (KI) hat das Potenzial, durch automatisierte Detektion, Quantifizierung, Klassifikation und Verlaufsprädiktion die Diagnostik und Behandlung von Patienten mit Lungenerkrankungen zu verbessern. Radiologische Standardverfahren Interstitielle Lungenerkrankungen stellen aufgrund unspezifischer Symptomatik, geringer Anzahl visuell erfassbarer computertomographischer Erkrankungsmuster sowie der potenziell schwerwiegenden Prognose einen Forschungsschwerpunkt für KI dar. Methodische Innovationen Durch überwachtes und unüberwachtes maschinelles Lernen können Erkrankungsmuster in der CT anhand von Merkmalen identifiziert und Zusammenhänge mit bestimmten Erkrankungen und deren Verlauf analysiert werden. Leistungsfähigkeit Maschinelles Lernen verbessert einerseits die automatisierte Detektion pulmonaler Rundherde. Andererseits bietet es die Möglichkeit, diese Rundherde zu charakterisieren, was besonders im Hinblick auf Lungenkrebs-Screening-Programme Ressourceneffizienz verspricht. Bewertung Neben der Notwendigkeit leistungsstarker Algorithmen stellen die Daten, anhand welcher die KI Erkrankungsmuster lernt, eine Herausforderung dar. Notwendig sind aufwändige Expertenannotation sowie eine ausreichende Größe der Trainingsdatensätze, um physiologische und pathologische Diversität abzubilden. Aufgrund der noch fehlenden Standardisierung in diesem jungen Forschungsfeld stellen sich Fragen der Vergleich- und Reproduzierbarkeit. Empfehlung für die Praxis Dieser Übersichtartikel beschäftigt sich mit dem State of the Art und den Herausforderungen von KI in der Bildgebund der Lunge unter besonderer Berücksichtigung von interstitiellen Lungenerkrankungen und der Detektion und Beurteilung von Lungenrundherden. ; Clinical/methodical issue Artificial intelligence (AI) has the potential to improve diagnostic accuracy and management in patients with lung disease through automated detection, quantification, classification, and prediction of disease progression. Standard radiological ...