Mit Algorithmen erstellte Biomarkerprofile könnten helfen, unnötige Appendektomien bei Kindern und Jugendlichen zu vermeiden.
Kongresspräsident Professor Dr. med. Claus Zimmer (Klinikum rechts der Isar der TU München) zum Stand der Künstlichen Intelligenz in der Neuroradiologie
Synthetische Double-Inversion-Recovery-Sequenzen sind in der Detektion von Marklagerläsionen konventionell akquirierten DIR nicht unterlegen.
Eine am Uniklinikum Düsseldorf entwickelte Software erlaubt das automatisierte Kartieren regionaler Abweichungen des Hirnvolumens.
Die automatische Segmentierung von Meningeomen mittels Deep-Learning und die manuelle Segmentierung sind in Punkto Genauigkeit vergleichbar. Ein solcher Ansatz könnte die RadiologInnen bei dieser Tätigkeit spürbar entlasten.
Intrakranielle Metastasen eines malignen Melanoms lassen sich mittels Deep Learning mit hoher Genauigkeit automatisch erkennen.
Für die Hirnvolumetrie gibt es bereits einen ganzen Werkzeugkasten an Software-Unterstützung.
Monotone Arbeiten in der Radiologie darf gerne die Künstliche Intelligenz übernehmen, wenn es nach den Teilnehmern einer Podiumsdiskussion beim neuroRAD 2019 geht.
Künstliche Intelligenz erzielt in DKFZ-Studie ähnlich hohe Erkennungsraten von verdächtigen MRT-Befunden wie Radiologen.
Das automatische Klassifizieren von MRT-Phänotypen primärer Mammakarzinome mittels Radiomics verbessert die Vorhersage des Überlebens.
