Skip to main content
SpringerLink
Log in

Strukturierte Befundung und künstliche Intelligenz

Structured reporting and artificial intelligence

  • Leitthema
  • Published:
Der Radiologe Aims and scope Submit manuscript

Zusammenfassung

Hintergrund

Es gibt vielfältige Anwendungsmöglichkeiten der strukturierten Befundung („structured reporting“, SR) und der künstlichen Intelligenz (KI) in der Radiologie. Die Anzahl der wissenschaftlichen Publikationen steigt seit vielen Jahren kontinuierlich. Es existiert ein umfangreiches Portfolio verfügbarer KI-Algorithmen, die z. B. für die automatisierte Detektion und Vorselektion von Pathologien oder für die Erleichterung von Arbeitsabläufen innerhalb des Befundungsworkflows angeboten werden. Auch Geräte nutzen bereits KI-Algorithmen für die Verbesserung des Bedienungskomforts.

Methode

Die SR ist insbesondere für die Erfassung von maschinell auswertbaren, semantischen Daten aus radiologischen Befundberichten erforderlich. Vor dem Hintergrund von Zertifizierungsprozessen ist ihre Verwendung bereits Voraussetzung für die Akkreditierung der Deutschen Krebsgesellschaft als onkologisches Zentrum oder außerhalb Deutschlands als European Cancer Centre.

Ergebnisse

Die mittels SR erfassten Daten können maschinell zu Zwecken der Patientenversorgung, Forschung, Lehre und Qualitätssicherung ausgewertet werden. Die Extraktion valider Informationen aus Befundberichten in Prosaform mittels NLP (neurolinguistisches Programmieren) ist aufgrund der großen Variabilität und v. a. fehlender Informationen deutlich erschwert. Vor dem Hintergrund des überwachten Lernens werden für das Training von KI-Algorithmen oder KNN („k-nearest neighbours“) große Mengen validierter Daten benötigt. Auch die semantischen Daten aus strukturierten Befundberichten können von KI verarbeitet und zum Training verwendet werden.

Schlussfolgerung

KI und SR stellen somit Entitäten eines Kontinuums innerhalb der Radiologie dar, die sich zum Teil gegenseitig bedingen und vor allem sinnvoll ergänzen. Beide haben in diesem Feld ein großes Potenzial für tiefgreifende, anstehende Veränderungen und Weiterentwicklungen.

Abstract

Background

There are a multitude of application possibilities of artificial intelligence (AI) and structured reporting (SR) in radiology. The number of scientific publications have continuously increased for many years. There is an extensive portfolio of available AI algorithms for, e.g. automatic detection and preselection of pathologic patterns in images or for facilitating the reporting workflows. Even machines already use AI algorithms for improvement of operating comfort.

Method

The use of SR is essential especially for the extraction of automatically evaluable semantic data from radiology results reports. Regarding eligibility in certification processes, the use of SR is mandatory for the accreditation of the German Cancer Society as an oncological center or outside Germany, such as the European Cancer Center.

Results

The data from SR can be automatically evaluated for the purpose of patient care, research and educational purposes and quality assurance. Lack of information and a high degree of variability often hamper the extraction of valid information from free-text reports using neurolinguistic programming (NLP). Against the background of supervised training, AI algorithms or k‑nearest neighbors (KNN) require a considerable amount of validated data. The semantic data from SR can also be processed by AI and used for training.

Conclusion

The AI and SR are separate entities within the field of radiology with mutual dependencies and significant added value. Both have a high potential for profound upcoming changes and further developments in radiology.

This is a preview of subscription content, log in via an institution to check access.

Access this article

Log in via an institution

Price excludes VAT (USA)
Tax calculation will be finalised during checkout.

Instant access to the full article PDF.

Abb. 1
Abb. 2
Abb. 3

Literatur

  1. (2021) Künstliche Intelligenz in Produkten von Siemens Healthineers. https://www.siemens-healthineers.com/de/news/kuenstliche-intelligenz-in-produkten.html. Zugegriffen: 5. Juli 2021

  2. DKG (2021) Zertifizierung der Deutschen Krebsgesellschaft: Dokumente. https://www.krebsgesellschaft.de/zertdokumente.html. Zugegriffen: 5. Juli 2021

  3. Balleyguier C, Ayadi S, van Nguyen K, Vanel D, Dromain C, Sigal R (2007) BIRADS classification in mammography. Eur J Radiol 61(2):192–194. https://doi.org/10.1016/j.ejrad.2006.08.033

    Article  PubMed  Google Scholar 

  4. Bauer J, Rohner-Rojas S, Holderried M (2020) Einrichtungsübergreifende Interoperabilität: Herausforderungen und Grundlagen für die technische Umsetzung. Radiologe 60(4):334–341. https://doi.org/10.1007/s00117-019-00626-9

    Article  CAS  PubMed  Google Scholar 

  5. Boeing N (2018) Dein Freund und Lauscher. heise online

    Google Scholar 

  6. Bosmans JML, Weyler JJ, de Schepper AM, Parizel PM (2011) The radiology report as seen by radiologists and referring clinicians: results of the COVER and ROVER surveys. Radiology 259(1):184–195. https://doi.org/10.1148/radiol.10101045

    Article  PubMed  Google Scholar 

  7. Bosmans JML, Neri E, Ratib O, Kahn CE (2015) Structured reporting: a fusion reactor hungry for fuel. Insights Imaging 6(1):129–132. https://doi.org/10.1007/s13244-014-0368-7

    Article  PubMed  Google Scholar 

  8. Buchlak QD, Esmaili N, Leveque J‑C, Bennett C, Farrokhi F, Piccardi M (2021) Machine learning applications to neuroimaging for glioma detection and classification: an artificial intelligence augmented systematic review. J Clin Neurosci 89:177–198. https://doi.org/10.1016/j.jocn.2021.04.043

    Article  PubMed  Google Scholar 

  9. Chen MC, Ball RL, Yang L, Moradzadeh N, Chapman BE, Larson DB, Langlotz CP, Amrhein TJ, Lungren MP (2018) Deep learning to classify radiology free-text reports. Radiology 286(3):845–852. https://doi.org/10.1148/radiol.2017171115

    Article  PubMed  Google Scholar 

  10. Chilamkurthy S, Ghosh R, Tanamala S, Biviji M, Campeau NG, Venugopal VK, Mahajan V, Rao P, Warier P (2018) Deep learning algorithms for detection of critical findings in head CT scans: a retrospective study. Lancet 392(10162):2388–2396. https://doi.org/10.1016/S0140-6736(18)31645-3

    Article  PubMed  Google Scholar 

  11. Curtis C, Liu C, Bollerman TJ, Pianykh OS (2018) Machine learning for predicting patient wait times and appointment delays. J Am Coll Radiol 15(9):1310–1316. https://doi.org/10.1016/j.jacr.2017.08.021

    Article  PubMed  Google Scholar 

  12. Elaine R (1993) Artificial intelligence. Computer science. McGraw-Hill, Auckland

    Google Scholar 

  13. Ganeshan D, Duong P‑AT, Probyn L, Lenchik L, McArthur TA, Retrouvey M, Ghobadi EH, Desouches SL, Pastel D, Francis IR (2018) Structured reporting in radiology. Acad Radiol 25(1):66–73. https://doi.org/10.1016/j.acra.2017.08.005

    Article  PubMed  Google Scholar 

  14. Hackländer T (2013) Strukturierte Befundung in der Radiologie. Radiologe 53(7):613–617. https://doi.org/10.1007/s00117-013-2493-6

    Article  PubMed  Google Scholar 

  15. Hanna TN, Shekhani H, Maddu K, Zhang C, Chen Z, Johnson J‑O (2016) Structured report compliance: effect on audio dictation time, report length, and total radiologist study time. Emerg Radiol 23(5):449–453. https://doi.org/10.1007/s10140-016-1418-x

    Article  PubMed  Google Scholar 

  16. Hawkins CM, Hall S, Zhang B, Towbin AJ (2014) Creation and implementation of department-wide structured reports: an analysis of the impact on error rate in radiology reports. J Digit Imaging 27(5):581–587. https://doi.org/10.1007/s10278-014-9699-7

    Article  PubMed  PubMed Central  Google Scholar 

  17. Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJWL (2018) Artificial intelligence in radiology. Nat Rev Cancer 18(8):500–510. https://doi.org/10.1038/s41568-018-0016-5

    Article  CAS  PubMed  PubMed Central  Google Scholar 

  18. IHE Radiology Technical Committee (2016) IHE_RAD_Suppl_MRRT_Rev1.5_TI_2016-09-09

  19. Johnson AJ, Chen MYM, Zapadka ME, Lyders EM, Littenberg B (2010) Radiology report clarity: a cohort study of structured reporting compared with conventional dictation. J Am Coll Radiol 7(7):501–506. https://doi.org/10.1016/j.jacr.2010.02.008

    Article  PubMed  Google Scholar 

  20. Kim H, Garrido P, Tewari A, Xu W, Thies J, Niessner M, Pérez P, Richardt C, Zollhöfer M, Theobalt C (2018) Deep video portraits. ACM Trans Graph 37(4):1–14. https://doi.org/10.1145/3197517.3201283

    Article  Google Scholar 

  21. Kleesiek J, Murray JM, Strack C, Kaissis G, Braren R (2020) Wie funktioniert maschinelles Lernen? Radiologe 60(1):24–31. https://doi.org/10.1007/s00117-019-00616-x

    Article  PubMed  Google Scholar 

  22. Kremp M (2018) Künstliche Intelligenz: Google Duplex ist gruselig gut. DER SPIEGEL

    Google Scholar 

  23. Lindig T (2021) AIRAscore structure- Gesamthirnvolumetrie. https://arzt.airamed.de/airascore-structure-arzt. Zugegriffen: 3. Juli 2021

  24. Nakagawa M, Nakaura T, Namimoto T, Kitajima M, Uetani H, Tateishi M, Oda S, Utsunomiya D, Makino K, Nakamura H, Mukasa A, Hirai T, Yamashita Y (2018) Machine learning based on multi-parametric magnetic resonance imaging to differentiate glioblastoma multiforme from primary cerebral nervous system lymphoma. Eur J Radiol 108:147–154. https://doi.org/10.1016/j.ejrad.2018.09.017

    Article  PubMed  Google Scholar 

  25. Okada H, Weller M, Huang R, Finocchiaro G, Gilbert MR, Wick W, Ellingson BM, Hashimoto N, Pollack IF, Brandes AA, Franceschi E, Herold-Mende C, Nayak L, Panigrahy A, Pope WB, Prins R, Sampson JH, Wen PY, Reardon DA (2015) Immunotherapy response assessment in neuro-oncology: a report of the RANO working group. Lancet Oncol 16(15):e534–e542. https://doi.org/10.1016/S1470-2045(15)00088-1

    Article  PubMed  PubMed Central  Google Scholar 

  26. Pons E, Braun LMM, Hunink MGM, Kors JA (2016) Natural language processing in radiology: a systematic review. Radiology 279(2):329–343. https://doi.org/10.1148/radiol.16142770

    Article  PubMed  Google Scholar 

  27. Ridley LJ (2002) Guide to the radiology report. Australas Radiol 46(4):366–369. https://doi.org/10.1046/j.1440-1673.2002.01084.x

    Article  PubMed  Google Scholar 

  28. Rubin DL (2007) Creating and Curating a terminology for radiology: ontology modeling and analysis. J Digit Imaging 21(4):355–362. https://doi.org/10.1007/s10278-007-9073-0

    Article  PubMed  PubMed Central  Google Scholar 

  29. Schwartz LH, Panicek DM, Berk AR, Li Y, Hricak H (2011) Improving communication of diagnostic radiology findings through structured reporting. Radiology 260(1):174–181. https://doi.org/10.1148/radiol.11101913

    Article  PubMed  PubMed Central  Google Scholar 

  30. Strohm L, Hehakaya C, Ranschaert ER, Boon WPC, Moors EHM (2020) Implementation of artificial intelligence (AI) applications in radiology: hindering and facilitating factors. Eur Radiol 30(10):5525–5532. https://doi.org/10.1007/s00330-020-06946-y

    Article  PubMed  PubMed Central  Google Scholar 

  31. Turkbey B, Rosenkrantz AB, Haider MA, Padhani AR, Villeirs G, Macura KJ, Tempany CM, Choyke PL, Cornud F, Margolis DJ, Thoeny HC, Verma S, Barentsz J, Weinreb JC (2019) Prostate imaging reporting and data system version 2.1: 2019 update of prostate imaging reporting and data system version 2. Eur Urol 76(3):340–351. https://doi.org/10.1016/j.eururo.2019.02.033

    Article  PubMed  Google Scholar 

  32. Wittpahl V (2019) Künstliche Intelligenz. Springer, Berlin, Heidelberg, New York

    Book  Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Radiologische Universitätsklinik, Abteilung Diagnostische und Interventionelle Neuroradiologie, Uniklinik Tübingen, Hoppe-Seyler-Str. 3, 72076, Tübingen, Deutschland

    Johann-Martin Hempel

  2. Institut für Diagnostische und Interventionelle Radiologie, Uniklinik Köln, Kerpener Str. 62, 50937, Köln, Deutschland

    Daniel Pinto dos Santos

Authors
  1. Johann-Martin Hempel
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Daniel Pinto dos Santos
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Johann-Martin Hempel.

Ethics declarations

Interessenkonflikt

J.-M. Hempel und D. Pinto dos Santos geben an, dass kein Interessenkonflikt besteht.

Für diesen Beitrag wurden von den Autoren keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.

Additional information

figure qr

QR-Code scannen & Beitrag online lesen

Rights and permissions

Reprints and permissions

About this article

Check for updates. Verify currency and authenticity via CrossMark

Cite this article

Hempel, JM., Pinto dos Santos, D. Strukturierte Befundung und künstliche Intelligenz. Radiologe 61, 999–1004 (2021). https://doi.org/10.1007/s00117-021-00920-5

Download citation

  • Accepted:

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1007/s00117-021-00920-5

Schlüsselwörter

Keywords

Search

Navigation