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

Der im Juli 2018 gegründete französische Innovationsrat soll die Entwicklung so genannter Sprunginnovationen in Frankreich fördern. Medizinische Diagnostik durch künstliche Intelligenz ist eines der Topthemen.

Bei der künstlichen Intelligenz (AI) spielt die händische Dateneingabe keine Rolle. Die Maschinen lernen von eingespeisten Datensätzen. Das Erkennen prognostischer Marker erfordert dagegen weiterhin die Fachkompetenz der RadiologInnen.

Die vollautomatische und präzise Segmentierung des Leberparenchyms ist mit Hilfe eines neuronalen Netzwerks möglich. Das könnte vor allem bei einer bevorstehenden Leber-Operation nützlich sein.

Wo Bildgebung mit Unterstützung von Virtual Reality und Künstlicher Intelligenz schon Teil des klinischen Alltags geworden ist, skizzierte Meinrad Beer, Universitätsklinikum Ulm.

Datenqualität und Standards sind wichtige Themen, wenn Deep Learning die Befundung unterstützen.

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

Ein klinisch nutzbarer „machine learning“-Algorithmus kann BI-RADS 4 und 5 Massenläsionen besser klassifizieren als ein Radiologe, so die Ergebnisse einer Studie aus Erlangen.

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.