Zeitschrift für Rheumatologie

, Volume 77, Issue 3, pp 203–208 | Cite as

Big Data in der Bildgebung

  • Philipp Sewerin
  • Benedikt Ostendorf
  • Axel J. Hueber
  • Arnd Kleyer
Leitthema

Zusammenfassung

Die großen wissenschaftlichen Fortschritte in der Medizin wurden bis heute hauptsächlich durch hypothesengetriebene Forschungsansätze im Rahmen von kontrollierten klinischen Studien erreicht. Hierbei können allerdings aufgrund der zahlreichen Variablen nur einzelne Fragestellungen untersucht werden, sodass diese nach wie vor sehr zeit- und kostenintensiv sind. Big Data bietet durch einen neuen datenbasierten Ansatz die Möglichkeit, mit sehr großen Datenmengen alle vorhandenen Variablen zu untersuchen, und öffnet somit neue Horizonte. Die Bildgebung scheint für solche Ansätze durch die weitestgehend flächendeckende Digitalisierung der Daten und der immer besseren Hard- und Softwarelösungen prädestiniert zu sein. Einige kleine Studien wiesen bereits nach, dass automatisierte Auswertungsalgorithmen und künstliche Intelligenz Pathologien mit höchster Präzision erkennen können. Auch in der rheumatologischen Bildgebung erscheinen solche automatisierten Systeme sinnvoll, da seit Langem nach personalisierter Risikostratifizierung für die Patienten gesucht wird. Bei all den vielversprechenden Möglichkeiten muss allerdings heute noch festgestellt werden, dass die Heterogenität der Daten und die sehr komplexen Datenschutzauflagen in Deutschland eine Big-Data-Lösung in der Bildgebung noch erschweren. Die enormen Chancen in der klinischen Versorgung und der Wissenschaft sind es aber wert, diese Herausforderungen anzunehmen.

Schlüsselwörter

Datenanalyse Entscheidungsfindung Künstliche Intelligenz Magnetresonanztomographie Computertomographie 

Big data in imaging

Abstract

Until now, most major medical advancements have been achieved through hypothesis-driven research within the scope of clinical trials. However, due to a multitude of variables, only a certain number of research questions could be addressed during a single study, thus rendering these studies expensive and time consuming. Big data acquisition enables a new data-based approach in which large volumes of data can be used to investigate all variables, thus opening new horizons. Due to universal digitalization of the data as well as ever-improving hard- and software solutions, imaging would appear to be predestined for such analyses. Several small studies have already demonstrated that automated analysis algorithms and artificial intelligence can identify pathologies with high precision. Such automated systems would also seem well suited for rheumatology imaging, since a method for individualized risk stratification has long been sought for these patients. However, despite all the promising options, the heterogeneity of the data and highly complex regulations covering data protection in Germany would still render a big data solution for imaging difficult today. Overcoming these boundaries is challenging, but the enormous potential advances in clinical management and science render pursuit of this goal worthwhile.

Keywords

Data analysis Decision making Artificial intelligence Magnetic resonance imaging Computed tomography 

Notes

Einhaltung ethischer Richtlinien

Interessenkonflikt

P. Sewerin, B. Ostendorf, A.J. Hueber und A. Kleyer geben an, dass kein Interessenkonflikt besteht.

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

Literatur

  1. 1.
    Badawi O, Brennan T, Celi LA et al (2014) Making big data useful for health care: a summary of the inaugural MIT critical data conference. JMIR Med Inform 2:e22.  https://doi.org/10.2196/medinform.3447 CrossRefPubMedPubMedCentralGoogle Scholar
  2. 2.
    Ball P (2013) Moore’s law is not just for computers. Nature.  https://doi.org/10.1038/nature.2013.12548 PubMedCentralGoogle Scholar
  3. 3.
    D’Agostino MA, Haavardsholm EA, van der Laken CJ (2016) Diagnosis and management of rheumatoid arthritis; what is the current role of established and new imaging techniques in clinical practice? Best Pract Res Clin Rheumatol 30:586–607.  https://doi.org/10.1016/j.berh.2016.10.011 CrossRefPubMedGoogle Scholar
  4. 4.
    DeBoer EM, Swiercz W, Heltshe SL et al (2014) Automated CT scan scores of bronchiectasis and air trapping in cystic fibrosis. Chest 145:593–603.  https://doi.org/10.1378/chest.13-0588 CrossRefPubMedGoogle Scholar
  5. 5.
    González G, Ash SY, Vegas Sanchez-Ferrero G et al (2017) Disease staging and prognosis in smokers using deep learning in chest computed tomography. Am J Respir Crit Care Med.  https://doi.org/10.1164/rccm.201705-0860OC PubMedGoogle Scholar
  6. 6.
    Kansagra AP, J‑PJ Y, Chatterjee AR et al (2016) Big data and the future of radiology informatics. Acad Radiol 23:30–42.  https://doi.org/10.1016/j.acra.2015.10.004 CrossRefPubMedGoogle Scholar
  7. 7.
    Kessel KA, Combs SE (2016) Review of developments in electronic, clinical data collection, and documentation systems over the last decade – are we ready for big data in routine health care? Front Oncol 6:75.  https://doi.org/10.3389/fonc.2016.00075 CrossRefPubMedPubMedCentralGoogle Scholar
  8. 8.
    Maitland ML, Schilsky RL (2011) Clinical trials in the era of personalized oncology. CA Cancer J Clin 61:365–381.  https://doi.org/10.3322/caac.20135 CrossRefPubMedPubMedCentralGoogle Scholar
  9. 9.
    Murdoch TB, Detsky AS (2013) The inevitable application of big data to health care. JAMA 309:1351.  https://doi.org/10.1001/jama.2013.393 CrossRefPubMedGoogle Scholar
  10. 10.
    Nagy B, Farmer JD, Bui QM, Trancik JE (2013) Statistical basis for predicting technological progress. PLoS ONE 8:e52669.  https://doi.org/10.1371/journal.pone.0052669 CrossRefPubMedPubMedCentralGoogle Scholar
  11. 11.
    Nensa F, Forsting M, Wetter A (2016) The future of radiology: what can we expect within the next 10 years? Urologe A 55:350–355.  https://doi.org/10.1007/s00120-016-0045-1 CrossRefPubMedGoogle Scholar
  12. 12.
    Onbay TU, Kantarcı A (2011) Design and implementation of a distributed teleradiaography system: DIPACS. Comput Methods Programs Biomed 104:235–242.  https://doi.org/10.1016/j.cmpb.2011.05.006 CrossRefPubMedGoogle Scholar
  13. 13.
    Østergaard M, Peterfy C, Conaghan P et al (2003) OMERACT rheumatoid arthritis magnetic resonance imaging studies. Core set of MRI acquisitions, joint pathology definitions, and the OMERACT RA-MRI scoring system. J Rheumatol 30:1385–1386PubMedGoogle Scholar
  14. 14.
    Poline J‑B, Breeze JL, Ghosh S et al (2012) Data sharing in neuroimaging research. Front Neuroinform 6:9.  https://doi.org/10.3389/fninf.2012.00009 CrossRefPubMedPubMedCentralGoogle Scholar
  15. 15.
    Skripcak T, Belka C, Bosch W et al (2014) Creating a data exchange strategy for radiotherapy research: towards federated databases and anonymised public datasets. Radiother Oncol 113:303–309.  https://doi.org/10.1016/j.radonc.2014.10.001 CrossRefPubMedPubMedCentralGoogle Scholar
  16. 16.
    White P (2004) Privacy and security issues in teleradiology. Semin Ultrasound CT MR 25:391–395CrossRefPubMedGoogle Scholar

Copyright information

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

Authors and Affiliations

  • Philipp Sewerin
    • 1
  • Benedikt Ostendorf
    • 1
  • Axel J. Hueber
    • 2
  • Arnd Kleyer
    • 2
  1. 1.Heinrich-Heine-Universität Düsseldorf (HHU), Poliklinik, Funktionsbereich und Hiller-Forschungszentrum für RheumatologieUniversitätskliniken DüsseldorfDüsseldorfDeutschland
  2. 2.Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU), Medizinische Klinik 3 – Rheumatologie und ImmunologieUniversitätsklinikum ErlangenErlangenDeutschland

Personalised recommendations