Advertisement

Der Pneumologe

, Volume 17, Issue 1, pp 59–64 | Cite as

Möglichkeiten einer automatisierten Auswertung der Thorax-Röntgenaufnahme durch künstliche Intelligenz für Klinik und Praxis

  • M. WenzelEmail author
  • F. K. H. Chun
  • O. Hinz
  • B. Abdel-Karim
Strategie in Klinik und Praxis

Zusammenfassung

Aufgrund der hohen Morbidität sowie Mortalität von Lungenerkrankungen steht die Prävention, Diagnostik und die adäquate Behandlung im Zentrum der modernen Medizin. Die Bildgebung mittels Thorax-Röntgenaufnahme ist hierbei Goldstandard. Die automatisierte Auswertung von Thorax-Röntgenaufnahmen könnte eine optimale Grundlage für die Auswertung mittel künstlicher Intelligenz (KI) darstellen. Allerdings ist die Thorax-Röntgenklassifikation keine triviale Aufgabe für ein reines KI-basiertes System. Die Implementierung und das Training dieser KI-basierten Systeme erfordern leistungsstarke Computersysteme. Zudem muss der Anwender über die entsprechende Expertise verfügen. Dieser Artikel stellt dar, wie KI-Programme arbeiten, welche Bedeutung KI-Systeme in der Medizin aktuell haben und welche Limitationen, Herausforderungen, aber auch Möglichkeiten sich dadurch ergeben.

Schlüsselwörter

KI Thorax-Radiographie Röntgen Thorax Automatisierte Evaluation Algorithmen Tiefes Lernen 

Potential of automated evaluation of chest X-rays by artificial intelligence for clinic and practice

Abstract

Due to the high morbidity and mortality of lung diseases the focus of modern medicine is on the prevention, diagnostics and adequate treatment. Imaging using chest X‑rays is the gold standard for this. The automated evaluation of chest X‑ray images could represent an optimal foundation for the evaluation using artificial intelligence (AI); however, chest X‑ray classification is not a trivial task for a purely AI-based system. The implementation and training of these AI-based systems require high-performance computer systems. In addition, the user must have the appropriate expertise. This article describes how AI programs work, what importance AI systems currently have in medicine and the resulting limitations, challenges and possibilities.

Keywords

AI Thoracic radiography Chest x ray Algorithms Automated evaluation Deep learning 

Notes

Einhaltung ethischer Richtlinien

Interessenkonflikt

M. Wenzel, F.K.H. Chun, O. Hinz und B. Abdel-Karim 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

Verwendete Literatur

  1. 1.
    Chen H et al (2012) Business intelligence and analytics: From big data to big impact. MIS Q 36(4):1165–1188CrossRefGoogle Scholar
  2. 2.
    Dou Q et al (2016) Automatic detection of cerebral microbleeds from mr images via 3d convolutional neural networks. IEEE Trans Med Imaging 35(2):1182–1195CrossRefGoogle Scholar
  3. 3.
    Fabre C et al (2018) Radiology residents’ skill level in chest x-ray reading. Diagn Interv Imaging.  https://doi.org/10.1016/j.diii.2018.04.007 PubMedCrossRefGoogle Scholar
  4. 4.
    Foo J et al (2016) Continuing to confront COPD international patient survey: Economic impact of COPD in 12 countries. PLoS ONE.  https://doi.org/10.1371/journal.pone.0152618 PubMedPubMedCentralCrossRefGoogle Scholar
  5. 5.
    Gillies RJ et al (2016) Radiomics: Images are more than pictures, they are data. Radiology.  https://doi.org/10.1148/radiol.2015151169 PubMedPubMedCentralCrossRefGoogle Scholar
  6. 6.
    Grace K et al (2018) When will AI exceed human performance? Evidence from AI experts. J Artif Intell Res 62:729–754CrossRefGoogle Scholar
  7. 7.
    Hassan DB et al (2013) Automatic detection of lesions in lung regions that are segmented using spatial relations. Clin Imaging.  https://doi.org/10.1016/j.clinimag.2012.07.010 CrossRefGoogle Scholar
  8. 8.
    Herold G et al (2016) Innere Medizin. Elsevier, AmsterdamGoogle Scholar
  9. 9.
    Hien P et al (2012) Praktische Pneumologie, 2. Aufl. Springer, Heidelberg, Berlin, New York, S 4CrossRefGoogle Scholar
  10. 10.
    Hoo-Chang L (2016) et al, Interleaved text—image deep mining on a large-scale radiology database for automated image interpretation. J Mach Learn Res 35(5):1285–1298Google Scholar
  11. 11.
    Hosny A et al (2018) Artificial intelligence in radiology. Nat Rev Cancer 18(8):500–510PubMedPubMedCentralCrossRefGoogle Scholar
  12. 12.
    Jordan MI et al (2015) Machine learning—trends, perspectives, and prospects. Science 349(6245):255–260PubMedCrossRefGoogle Scholar
  13. 13.
    Karçaaltıncaba M et al (2011) Dual-energy CT revisited with multidetector CT: review of principles and clinical applications. Diagn Interv Radiol.  https://doi.org/10.4261/1305-3825.DIR.3860-10.0 PubMedCrossRefGoogle Scholar
  14. 14.
    Von Klot CJ et al (2019) Artificial intelligence and neural networks in urology. Urologe A.  https://doi.org/10.1007/s00120-018-0826-9 CrossRefGoogle Scholar
  15. 15.
    Lambin P et al (2012) Radiomics: extracting more information from medical images using advanced feature analysis. Eur J Cancer.  https://doi.org/10.1016/j.ejca.2011.11.036 PubMedPubMedCentralCrossRefGoogle Scholar
  16. 16.
    Lambin P et al (2017) Radiomics: Tte bridge between medical imaging and personalized medicine. Nat Rev Clin Oncol.  https://doi.org/10.1038/nrclinonc.2017.141 PubMedCrossRefGoogle Scholar
  17. 17.
    Lee SJ et al (2018) Image classification based on the boost convolutional neural network. IEEE Access 6(3):12755–12768CrossRefGoogle Scholar
  18. 18.
    Matthys H et al (2008) Klinische Pneumologie, 4. Aufl. Springer, Heidelberg, Berlin, New York, S 30CrossRefGoogle Scholar
  19. 19.
    Mayo RCJ et al (2018) Artificial intelligence and deep learning—radiology’s next frontier? Clin Imaging 49(1):87–88PubMedCrossRefGoogle Scholar
  20. 20.
    Mjolsness E et al (2001) Machine learning for science: State of the art and future prospects. Science 293(5537):2051–2055PubMedCrossRefGoogle Scholar
  21. 21.
    Moeskops P et al (2016) Deep learning for multi-task medical image segmentation in multiple modalities. Med Image Comput Comput Assist Interv.  https://doi.org/10.1007/978-3-319-46723-8_55 CrossRefGoogle Scholar
  22. 22.
    Muhammad K et al (2018) Convolutional neural networks based fire detection in surveillance videos. IEEE Access 6(3):18174–18182CrossRefGoogle Scholar
  23. 23.
    Ramesh AN et al (2004) Artificial intelligence in medicine. Ann R Coll Surg Engl.  https://doi.org/10.1308/147870804290 PubMedPubMedCentralCrossRefGoogle Scholar
  24. 24.
    Reicha Y et al (1999) Evaluating machine learning models for engineering problems. Artif Intell Eng 13(1):257–272CrossRefGoogle Scholar
  25. 25.
    Rosenberg SR et al (2015) Epidemiology of chronic obstructive pulmonary disease: Prevalence, morbidity, mortality, and risk factors. Semin Respir Crit Care Med 36(4):457–469PubMedCrossRefGoogle Scholar
  26. 26.
    Rosenblatt F et al (1958) The perceptron. a probabilistic model for information storage and organization in the brain. Psychol Rev 65(6):386–408PubMedPubMedCentralCrossRefGoogle Scholar
  27. 27.
    Roth HR et al (2014) A new 2.5d representation for lymph node detection using random sets of deep convolutional neural network observations. Med Image Comput Comput Assist Interv 8673(1):520–527Google Scholar
  28. 28.
    Roth HR et al (2015pp) Deeporgan: Multi-level deep convolutional networks for automated pancreas segmentation. Med Image Comput Comput Assist Interv 2015:556–564Google Scholar
  29. 29.
    Russell SJ et al (2016) Artificial intelligence: A modern approach. Pearson, LondonGoogle Scholar
  30. 30.
    Schillham AM et al (2006) A computer-aided diagnosis system for detection of lung nodules in chest radiographs with an evaluation on a public database. Med Image Anal.  https://doi.org/10.1016/j.media.2005.09.003 CrossRefGoogle Scholar
  31. 31.
    Schmidrainer G et al (2015) S2e-Leitlinie 012/003: SprunggelenkfrakturGoogle Scholar
  32. 32.
    Setio A et al (2016) Pulmonary nodule detection in ct images: False positive reduction using multi-view convolutional networks. IEEE Trans Med Imaging 35(5):1160–1169PubMedCrossRefGoogle Scholar
  33. 33.
    Shafique U et al (2014) A comparative study of data mining process models (kdd, crisp-dm and semma). Int J Innov Sci Res 12(1):217–222Google Scholar
  34. 34.
    Taylor AG, Mielke C, Mongan J (2018) Automated detection of moderate and large pneumothorax on frontal chest X-rays using deep convolutional neural networks: A retrospective study. PLoS Med.  https://doi.org/10.1371/journal.pmed.1002697 PubMedPubMedCentralCrossRefGoogle Scholar
  35. 35.
    Vajda S, Karargyris A, Jaeger S (2018) Feature selection for automatic tuberculosis screening in frontal chestradiographs. J Med Syst.  https://doi.org/10.1007/s10916-018-0991-9 PubMedCrossRefGoogle Scholar
  36. 36.
    Vogl T et al (2011) Diagnostische und Interventionelle Radiologie. Springer, Heidelberg, Berlin, New York, S 489CrossRefGoogle Scholar
  37. 37.
    Wang X et al (2017) Chestx-ray8: Hospital-scale chest x‑ray database and benchmarks on weakly-supervised classification and localization of common thorax diseases. IEEE CVPR 27(9):2097–2106Google Scholar

Weiterführende Literatur

  1. 38.
    Chen B et al (2017) Development and clinical application of radiomics in lung cancer. Radiat Oncol.  https://doi.org/10.1186/s13014-017-0885-x PubMedPubMedCentralCrossRefGoogle Scholar
  2. 39.
    Esteva A et al (2017) Dermatologist-level classification of skin cancer with deep neural networks. Nature.  https://doi.org/10.1038/nature21056 PubMedCrossRefGoogle Scholar
  3. 40.
    Wayne G et al (2011) Canny minds and uncanny questions. Science 333(6047):1223–1224CrossRefGoogle Scholar
  4. 41.
    Yann L et al (2015) Deep learning. Nature 521(1):436–444Google Scholar
  5. 42.
    Yip SS et al (2016) Applications and limitations of radiomics. Phys Med Biol.  https://doi.org/10.1088/0031-9155/61/13/R150 PubMedPubMedCentralCrossRefGoogle Scholar

Copyright information

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

Authors and Affiliations

  • M. Wenzel
    • 1
    • 2
    Email author
  • F. K. H. Chun
    • 1
  • O. Hinz
    • 2
  • B. Abdel-Karim
    • 2
  1. 1.Klinik für UrologieUniversitätsklinikum FrankfurtFrankfurtDeutschland
  2. 2.Fachbereich Wirtschaftswissenschaften, Abteilung WirtschaftsinformatikUniversität FrankfurtFrankfurtDeutschland

Personalised recommendations