Zertifizierte CME-Fortbildung für Ärztinnen und Ärzte. CME-Punkte sammeln. Kostenfrei. service@arztcme.de

MedicalLearning – Blog zur Zukunft der medizinischen Information

Deep Learning: Die Radiologie geht voran

04. Dezember 2017

Letzte Woche hatten wir einen Blick auf die Hochschulen und die Weiterbildung geworfen, wo neue Ansätze Lehre und Lernen schneller und effizienter machen sollen. Damit auch die Mitarbeiter im Gesundheitssystem den neuen Anforderungen gewachsen sind. In dieser Woche geht es darum, wie Maschinen-Lernen die Mitarbeiter unterstützen und teilweise sogar ersetzen kann.

Künstliche Intelligenz ist eine großer Trend in der Medizin und KI-Algorithmen haben viele Anwendungsgebiete – etwa die Diagnose-App Ada, die wir hier vor 5 Wochen schon vorgestellt hatten (Link). Einen ähnlichen Weg wie Ada Health geht Babylon Health (Link). Hier hat man eine App entwickelt, die Video-Beratung durch Ärzte und Chatbots mit künstlicher Intelligenz kombiniert. Die App wird seit Anfang 2017 vom britischen NHS als Alternative zur Telefonberatung getestet. Der Chatbot soll als „Filter“ in der Lage sein, den Behandlungsbedarf und die Dringlichkeit zu evaluieren und ggf. einen Arzt zu Rate ziehen.

Auch bei der Bilderkennung ist Deep Learning durch künstliche Intelligenz auf dem Vormarsch. Das israelische Startup Zebra Medical Vision (Link) gehörte hier zu den Pionieren und entwickelte u.a. einen  Diagnose-Algorithmus, der die Erkennungsraten bei Brustkrebs erhöhen soll. Auf dem größten Radiologentreffen der Welt, dem RSNA in Chicago, wurde letzte Woche jetzt ein neuer Meilenstein vorgestellt: GE Healthcare will sein weltweit 500.000 Bildgebungsgeräte mit der Nvidia AI Computing Platform aufrüsten.

Bei der Partnerschaft zwischen GE, Nvidia und dem Dokumentations- und Spracherkennungsspezialisten Nuance geht es um die Weiterentwicklung des Nuance AI Marketplace für diagnostische Bildgebung (Link). Damit sollen Radiologen nach dem Wunsch der Hersteller „bei der Erstellung von Algorithmen mitwirken, die später in Kliniken helfen, klinische Befunde schneller zu erkennen und die Patientenversorgung so zu verbessern.“ Ziel ist es, die Arbeitslast der auswertenden Ärzte zu reduzieren – und damit auch die Fehlerquote bei der Analyse von CTs und MRTs.

Weitere Beiträge …