Maschinelles Lernen in der Radiologie: Begriffsbestimmung vom Einzelzeitpunkt bis zur Trajektorie

Abstract

Methodisches Problem Maschinelles Lernen (ML) nimmt zunehmend Einzug in die Radiologie, um Aufgaben wie die automatische Detektion und Segmentation von diagnoserelevanten Bildmerkmalen, die Charakterisierung von Krankheits- und Behandlungsverläufen sowie Vorhersagen für individuelle Patienten durchzuführen.

Radiologische Standardverfahren Die Anwendung von ML-Algorithmen ist für alle radiologischen Verfahren von der Computertomographie (CT), über die Magnetresonanztomographie (MRT) bis zum Ultraschall relevant. Verschiedene Modalitäten führen zu unterschiedlichen Herausforderungen bezüglich Standardisierung und Variabilität.

Methodische Innovationen ML-Algorithmen sind zunehmend in der Lage, auch longitudinale Beobachtungen zu verarbeiten und für das Training von Vorhersagemodellen zu nutzen. Diese Entwicklung erlaubt es, umfassende Informationen für die Vorhersage individueller Verläufe heranzuziehen.

Leistungsfähigkeit Die Qualität der Detektion und Segmentation von Läsionen hat in vielen Bereichen ein akzeptables Niveau erreicht, die Genauigkeit von Vorhersagemodellen muss diese aber erst erreichen, was u. a. auch mit der Verfügbarkeit repräsentativer Trainingsdaten zusammenhängt.

Bewertung Die Entwicklung von ML-basierten Anwendungen in der Radiologie schreitet, trotz dass sich viele der Lösungen noch im Evaluationsstadium befinden, voran, und wird durch eine parallele Weiterentwicklung der grundlegenden Methoden und Techniken begleitet, die sukzessive in die Praxis übergehen werden.

Empfehlung für die Praxis Maßgeblich für den effektiven Einsatz von ML in der Praxis sind die Validierung der Algorithmen und die Erstellung repräsentativer Datensätze, die sowohl für das Training als auch für die Validierung verwendet werden können.

Methodical Issue Machine learning (ML) algorithms have an increasingly relevant role in radiology tackling tasks such as the automatic detection and segmentation of diagnosis-relevant markers, the quantification of progression and response, and their prediction in individual patients.

Standard radiological methods ML algorithms are relevant for all image acquisition techniques from computed tomography (CT) and magnetic resonance imaging (MRI) to ultrasound. However, different modalities result in different challenges with respect to standardization and variability.

Methodical innovations ML algorithms are increasingly able to analyze longitudinal data for the training of prediction models. This is relevant since it enables the use of comprehensive information for predicting individual progression and response, and the associated support of treatment decisions by ML models.

Performance The quality of detection and segmentation algorithms of lesions has reached an acceptable level in several areas. The accuracy of prediction models is still increasing, but is dependent on the availability of representative training data.

Achievements The development of ML algorithms in radiology is progressing although many solutions are still at a validation stage. It is accompanied by a parallel and increasingly interlinked development of basic methods and techniques which will gradually be put into practice in radiology.

Practical considerations Two factors will impact the relevance of ML in radiological practice: the thorough validation of algorithms and solutions, and the creation of representative diverse data for the training and validation in a realistic context.