Advertisement

Der Urologe

pp 1–8 | Cite as

Künstliche Intelligenz und neuronale Netze in der Urologie

  • Christoph-Alexander J. von Klot
  • Markus A. Kuczyk
Übersichten
  • 29 Downloads

Zusammenfassung

Kenntnisse zum Thema künstliche Intelligenz (KI) werden in Zukunft in der Urologie und der Medizin allgemein unerlässlich werden. Für höher dimensionierte Daten oder komplexe Fragestellungen bedient man sich heute computergestützter Lösungen. In der urologischen Forschung, aber auch bei der klinischen Anwendung, sind künstliche neuronale Netze (KNN) seit Jahren zunehmend etabliert und werden ständig weiterentwickelt. KNN werden heute bereits erfolgreich in der Urologie im Bereich der Bilderkennung sowohl für radiologische, als auch für pathologische Fragestellungen angewandt. KNN können potentiell bei der Frage der Steuerung moderner Tumortherapien eine Rolle spielen. Der Zugang zu KNN ist heute mittlerweile vergleichsweise einfach geworden.

Schlüsselwörter

Multiparametrische Magnetresonanztomographie Bilderkennung Künstliche neuronale Netze Big Data Matrixmultiplikation 

Artificial intelligence and neural networks in urology

Abstract

Knowledge of artificial intelligence will become essential in urology and medicine in the future. Today, computer-aided solutions are used for higher-dimensioned data or complex questions. In urological research, but also in clinical application, artificial neural networks (ANN) have been increasingly used for years and are continuously being developed. ANNs are already successfully used in urology in the field of image recognition in radiology and pathology. ANNs can potentially play a role in decision-making of modern cancer treatment. Today, access to ANN has become comparatively easy.

Keywords

Multiparameter magnetic resonance imaging Image recognition Artificial neuronal networks Big Data Matrix multiplication 

Notes

Danksagung

Detlef Amendt (Teamleitung Rechenzentrumstechnik, Zentrum für Informationsmanagement der MHH, Hannover),

Dr. rer. biol. hum. Svetlana Gerbel (CSIO, Leitung Abteilung Systeme für Forschung und Lehre, Zentrum für Informationsmanagement der MHH Hannover),

Hans Laser (Teamleitung Systeme für Forschung, Abteilung Systeme für Forschung und Lehre, Zentrum für Informationsmanagement, MHH Hannover),

Prof. Dr. rer. nat. Ulrich Lehmann-Mühlenhoff (Institut für Pathologie, MHH Hannover)

Einhaltung ethischer Richtlinien

Interessenkonflikt

C.-A.J. von Klot und M. A. Kuczyk geben an, dass kein Interessenkonflikt besteht.

Dieser Beitrag beinhaltet keine von den Autoren durchgeführten Studien an Menschen oder Tieren.

Literatur

  1. 1.
    Wichert A (2000) Künstliche Ingelligenz. https://www.spektrum.de/lexikon/neurowissenschaft/kuenstliche-intelligenz/6810. Zugegriffen: 15.11.2018
  2. 2.
    Gosset WS (1908) The probable error of a mean. Biometrika 6:1–25CrossRefGoogle Scholar
  3. 3.
    Shannon CE (1950) XXII. Programming a computer for playing chess. Philosophical Magazine Series 7.  https://doi.org/10.1080/14786445008521796 CrossRefGoogle Scholar
  4. 4.
    Davis P (2006) The Goldilocks enigma. First Mariner Books, Wilmington, Massachusetts, USAGoogle Scholar
  5. 5.
    Rumelhart DE, Hinton GE, Williams RJ (1986) Learning representations by back-propagating errors. Nature 323:533–536.  https://doi.org/10.1038/323533a0 CrossRefGoogle Scholar
  6. 6.
    Warnecke-Eberz U, Metzger R, Bollschweiler E et al (2010) TaqMan low-density arrays and analysis by artificial neuronal networks predict response to neoadjuvant chemoradiation in esophageal cancer. Pharmacogenomics 11:55–64.  https://doi.org/10.2217/pgs.09.137 CrossRefPubMedGoogle Scholar
  7. 7.
    Zendehdel R, Masoudi-Nejad A, Shirazi HF (2012) Patterns prediction of chemotherapy sensitivity in cancer cell lines using FTIR spectrum, neural network and principal components analysis. Iran J Pharm Res 11:401–410PubMedPubMedCentralGoogle Scholar
  8. 8.
    Gandhi S, Pabla S, Nesline M et al (2017) Algorithmic prediction of response to checkpoint inhibitors: hyperprogressors versus responders. J Clin Oncol 35:11565.  https://doi.org/10.1200/JCO.2017.35.15_suppl.11565 CrossRefGoogle Scholar
  9. 9.
    Sevcenco S, Maj-Hes AB, Hruby S et al (2018) Apparent diffusion coefficient values obtained by unenhanced MRI predicts disease-specific survival in bladder cancer. Clin Radiol.  https://doi.org/10.1016/j.crad.2018.05.022 CrossRefPubMedGoogle Scholar
  10. 10.
    Loch T, Leuschner I, Genberg C et al (1999) Artificial neural network analysis (ANNA) of prostatic transrectal ultrasound. Prostate 39:198–204.  https://doi.org/10.1002/(sici)1097-0045(19990515)39:3<198::aid-pros8>3.0.co;2-x CrossRefPubMedGoogle Scholar
  11. 11.
    Mehrtash A, Sedghi A, Ghafoorian M et al (2017) Classification of clinical significance of MRI prostate findings using 3D convolutional neural networks. In: Progress in biomedical optics and imaging – Proceedings of SPIEGoogle Scholar
  12. 12.
    Razavian AS, Azizpour H, Sullivan J, Carlsson S (2014) CNN features off-the-shelf: an astounding baseline for recognition. IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops, S 512–519Google Scholar
  13. 13.
    Arvaniti E, Fricker KS, Moret M et al (2018) Automated Gleason grading of prostate cancer tissue microarrays via deep learning. bioRxiv, Cold Spring Harbor, New York, USA.  https://doi.org/10.1101/280024
  14. 14.
    Hung AJ, Chen J, Gill IS (2018) Automated performance metrics and machine learning algorithms tomeasure surgeon performance and anticipate clinical outcomes in robotic surgery. JAMA Surg.  https://doi.org/10.1001/jamasurg.2018.1512 CrossRefPubMedGoogle Scholar

Copyright information

© Springer Medizin Verlag GmbH, ein Teil von Springer Nature 2018

Authors and Affiliations

  • Christoph-Alexander J. von Klot
    • 1
  • Markus A. Kuczyk
    • 1
  1. 1.Klink für Urologie und Urologische Onkologie der Medizinischen Hochschule HannoverHannoverDeutschland

Personalised recommendations