Advertisement

Der Chirurg

pp 1–4 | Cite as

Einsatz künstlicher Intelligenz in der Thoraxchirurgie

  • D. Herrmann
  • M. Oggiano
  • E. HeckerEmail author
Leitthema
  • 64 Downloads

Zusammenfassung

Hintergrund

Der Einsatz künstlicher Intelligenz in der Medizin ist eine relativ neue Option, um eine verbesserte Behandlung von Patienten zu ermöglichen, und daher aktuell Mittelpunkt vieler Forschungsprojekte. Im klinischen Alltag beschränkt sich der Einsatz jedoch bislang noch mehrheitlich auf die Auswertung von Bildmaterial.

Fragestellung

In welcher Form ist der Einsatz künstlicher Intelligenz im Alltag der thoraxchirurgischen Behandlung möglich und wird bereits praktiziert?

Material und Methoden

Es wurde eine aktuelle Literaturrecherche durchgeführt.

Ergebnisse

Künstliche Intelligenz kann unter aktuellen Bedingungen am ehesten in der Diagnostik und Therapieplanung eingesetzt werden. Um einen flächendeckenden Einsatz zu ermöglichen sind aber eine Standardisierung der Datenerfassung und deren Auswertung notwendig.

Schlussfolgerungen

Zum jetzigen Zeitpunkt liegen vielversprechende Studienergebnisse vor. Die Implementierung in den chirurgischen Alltag ist aber bislang schwer möglich.

Schlüsselwörter

Deep learning Machine learning Künstliche neuronale Netzwerke Computer aided diagnostic Nichtkleinzelliges Bronchialkarzinom 

Application of artificial intelligence in thoracic surgery

Abstract

Background

The application of artificial intelligence is a relatively new option to enable improved patient treatment in modern medicine and is therefore currently the focus of many research projects. In the clinical practice the application of artificial intelligence so far seems to be confined to the analysis of medical imaging.

Objective

In which form is the use of artificial intelligence possible in routine daily work in thoracic surgery and is already being practiced?

Material and methods

A search of the currently available literature was performed.

Results

Under current conditions artificial intelligence can best be used as part of diagnostics and treatment planning; however, in order to enable a comprehensive use standardization and evaluation of the centralized data collection are necessary.

Conclusion

At the present time promising study results are available but the implementation into the surgical routine has so far been very difficult.

Keywords

Deep learning Machine learning Artificial neural network Computer-aided diagnostics Non-small cell lung cancer 

Notes

Einhaltung ethischer Richtlinien

Interessenkonflikt

D. Herrmann, M. Oggiano und E. Hecker 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.

Literatur

  1. 1.
    Harren K, Dittrich F, Reinecke F et al (2018) Digitalisierung und künstliche Intelligenz in Orthopädie und Unfallchirurgie. Orthopäde 47:1039–1054CrossRefGoogle Scholar
  2. 2.
    Vogel T, Kohn N, Ostler D et al (2019) Modellgestützte Therapie in der Chirurgie. Chirurg 90:470–477CrossRefGoogle Scholar
  3. 3.
    von Klot CAJ, Kuczyk MA (2019) Künstliche Intelligenz und neuronale Netze in der Urologie. Urologe 58:291–299CrossRefGoogle Scholar
  4. 4.
    Schneider F, Weiller C (2018) Big Data und künstliche Intelligenz. Nervenarzt 89:859–860CrossRefGoogle Scholar
  5. 5.
    Rabbani M, Kanevsky J, Kafi K et al (2018) Role of artificial intelligence in the care of patients with nonsmall lung cancer. Eur J Clin Invest 48:e12901CrossRefGoogle Scholar
  6. 6.
    Tran BX, Latkin CA, Vu GT et al (2019) The current research landscape of the application of artifical intelligence in managing cerebrovascular and heart diseases: a bibliometric and content analysis. Int J Environ Res Public Health 16:2699CrossRefGoogle Scholar
  7. 7.
    O’Sullivan S, Nevejans N, Allen C et al (2019) Legal, regulatory, and ethical frameworks for development of standards in artificial intelligence (AI) and autonomous robotic surgery. Int J Med Rob Comput Assist Surg 15:e1968CrossRefGoogle Scholar
  8. 8.
    Simon G, DiNardo CD, Takahashi K et al (2019) Applying artificial intelligence to adress the knowledge gaps in cancer care. Oncologist 24:772–782CrossRefGoogle Scholar
  9. 9.
    Heverhagen JT (2019) Künstliche Intelligenz: die Radiologie im Wandel der Zeit. Swiss Med Forum 19:56–58Google Scholar
  10. 10.
    He J, Baxter SL, Xu J et al (2019) The practical implementation of artificial intelligence technologies in medicine. Nat Med 25:30–36CrossRefGoogle Scholar
  11. 11.
    Liang H, Tsui BY, Ni H et al (2019) Evaluation and accurate diagnoses of pediatric diseases using artificial intelligence. Nat Med 25:433–438CrossRefGoogle Scholar
  12. 12.
    Mirnezami R, Ahmed A (2018) Surgery 3.0, artificial intelligence and the next-generation surgeon. Br J Surg 105:463–465CrossRefGoogle Scholar
  13. 13.
    Zirafa C, Romano G, Key TH et al (2019) The evolution of robotic thoracic surgery. Ann Cardiothorac Surg 8:201–2017CrossRefGoogle Scholar
  14. 14.
    Dasgupta P (2018) New robots—cost, connectivity and artificial intelligence. BJU Int 122:349–350CrossRefGoogle Scholar
  15. 15.
    Peters BS, Armijo PR, Krause C et al (2018) Review of emerging surgical robotic technology. Surg Endosc 32:1636–1655CrossRefGoogle Scholar
  16. 16.
    Leschber G (2018) Video-assisted thoracic surgery: A global development. Chirurg 89:185–190CrossRefGoogle Scholar
  17. 17.
    Kanzaki M (2019) Current status of robotic-assisted thoracoscopic surgery for lung cancer. Surg Today.  https://doi.org/10.1007/s00595-019-01793-x CrossRefPubMedGoogle Scholar
  18. 18.
    Wei S, Chen M, Chen N et al (2017) Feasibility and safety of robot-assisted thoracic surgery for lung lobectomy in patients with non-small cell lung cancer: a systematic review and meta-analysis. World J Surg Oncol 15:98CrossRefGoogle Scholar
  19. 19.
    Bonaci T, Herron J, Yusuf T et al (2015) To make a robot secure: an experimental analysis of cyper security threats against teleoperated surgical robots (arXiv:1504.04339)Google Scholar
  20. 20.
    Muñoz-Largacha JA, Litle VR, Fernando HC (2016) Navigation bronchoscopy for diagnosis and small nodule location. J Thorac Dis 9(Suppl 2):S98–S103Google Scholar
  21. 21.
    Esteva H, Núñez TG, Rodríguez RO (2007) Neural networks and artificial intelligence in thoracic surgery. Thorac Surg Clin 17:359–367CrossRefGoogle Scholar
  22. 22.
    Liu C, Liu X, Wu F et al (2018) Using artificial intelligence (Watson for oncology) for treatment recommendations amongst Chinese patients with lung cancer: feasibility study. J Med Internet Res 20:e11087CrossRefGoogle Scholar
  23. 23.
    Khorrami M, Jain P, Bera K et al (2019) Predicting pathologic response to neoadjuvant chemoradiation in resectable stage III non-small cell lung cancer patients using computed tomography radiomic features. Cancer Treat Res 135:1–9Google Scholar
  24. 24.
    Ardila D, Kiraly AP, Bharadwaj S et al (2019) End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nat Med 25:954–961CrossRefGoogle Scholar

Copyright information

© Springer Medizin Verlag GmbH, ein Teil von Springer Nature 2020

Authors and Affiliations

  1. 1.Thoraxzentrum Ruhrgebiet, Klinik für ThoraxchirurgieEvangelisches Krankenhaus, HerneHerneDeutschland

Personalised recommendations