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.

Mit der parallelen Anwendung von Textanalyse-Werkzeugen und maschinellen Lernprozessen gelingt eine sehr gutes Verständnis manuell erstellter Befunde.

Neue IT-Entwicklungen und Änderungen im Gesundheitsbereich machen RadiologInnen nicht zwangsläufig überflüssig, schlussfolgert die vorliegende Analyse zweier amerikanischer Radiologen.

Deep-Learning-Netzwerke analysieren orthopädische Röntgenbilder mit hoher Genauigkeit und können RadiologInnen in der täglichen Routine unterstützen.