EHS
EHS

[Artificial intelligence (AI) in radiology? : Do we need as many radiologists in the future?]



Review


doi: 10.1007/s00120-022-01768-w.


Online ahead of print.

[Article in

German]

Affiliations

Item in Clipboard

Review

[Article in

German]

David Bonekamp et al.


Urologe A.


.

We are in the middle of a digital revolution in medicine. This raises the question of whether subjects such as radiology, which is superficially concerned with the interpretation of images, will be particularly changed by this revolution. In particular, it should be discussed whether in the future the completion of initially simpler, then more complex image analysis tasks by computer systems may lead to a reduced need for radiologists. What distinguishes radiology in particular is its key position between advanced technology and medical care. This article discusses that not only radiology but every medical discipline will be affected by innovations due to the digital revolution, and that a redefinition of medical specialties focusing on imaging and visual interpretation makes sense and that the arrival of artificial intelligence (AI) in radiology is to be welcomed in the context of ever larger amounts of image data-to at all be able to handle the increasing amount of image data in the future at the current number of radiologists. In this respect, the balance between research and teaching in comparison to patient care is more difficult to maintain in the academic environment. AI can help improve efficiency and balance in the areas mentioned. With regard to specialist training, information technology topics are expected to be integrated into the radiological curriculum. Radiology acts as a pioneer designing the entry of AI into medicine. It is to be expected that by the time radiologists can be substantially replaced by AI, the replacement of human contributions in other medical and non-medical fields will also be well advanced.

Wir befinden uns mitten in einer digitalen Revolution der Medizin. Da stellt sich die Frage, ob besonders Fächer wie die Radiologie, die sich oberflächlich betrachtet mit der Bildinterpretation beschäftigt, durch diese Revolution besonders verändern werden. Insbesondere ist zu diskutieren, ob nicht die zukünftige Erledigung zunächst einfacherer, dann komplexerer Bildanalyseaufgaben durch Computersysteme zu einem verminderten Bedarf an Radiologen führen wird. Was die Radiologie besonders auszeichnet ist ihre Schlüsselposition zwischen Hochtechnologie und medizinischer Versorgung. In diesem Beitrag wird diskutiert, dass nicht nur die Radiologie, sondern jedes medizinische Fach von Neuerungen durch die digitale Revolution betroffen sein wird, dass eine Redefinition der bildgebenden Fächer sinnvoll erscheint und dass im Rahmen immer größerer Bilddatenmengen die Ankunft der künstlichen Intelligenz (KI) in der Radiologie zu begrüßen ist, um überhaupt mit der derzeitigen Anzahl an Radiologen noch in Zukunft die Menge an Bilddaten beherrschen zu können. Weiterhin hat die zunehmende Befundlast in den letzten Jahren dazu geführt, dass Radiologen einen stark durch die Befundungsarbeit dominierten Arbeitsalltag erleben. Die KI kann in den genannten Bereichen zu einer Verbesserung der Effizienz sowie der Balance beitragen. Hinsichtlich der Facharztausbildung ist eine Integration informationstechnischer Inhalte in das Curriculum zu erwarten. Die Radiologie fungiert damit als Pionier des Einzugs der KI in die Medizin. Es ist zu erwarten, dass zu dem Zeitpunkt, an dem Radiologen durch KI wesentlich ersetzt werden können, ein Ersatz menschlicher Beiträge auch in anderen medizinischen und nicht-medizinischen Fächern weit fortgeschritten sein wird.


Keywords:

Data Science; Deep learning; MRI; Prostate cancer; Robotic surgical procedures.

References

Literatur

    1. Bonekamp D, Schlemmer HP (2021) Machine learning and multiparametric MRI for early diagnosis of prostate cancer. Urologe A 60(5):576–591



      DOI

    1. Schelb P et al (2019) Classification of cancer at prostate MRI: deep learning versus clinical PI-RADS assessment. Radiology 293(3):607–617



      DOI

    1. Zhang KS et al (2021) Improvement of PI-RADS-dependent prostate cancer classification by quantitative image assessment using radiomics or mean ADC. Magn Reson Imaging 82:9–17



      DOI

    1. Netzer N et al (2021) Fully automatic deep learning in Bi-institutional prostate magnetic resonance imaging: effects of cohort size and heterogeneity. Invest Radiol 56(12):799–808



      DOI

    1. Pesapane F, Codari M, Sardanelli F (2018) Artificial intelligence in medical imaging: threat or opportunity? Radiologists again at the forefront of innovation in medicine. Eur Radiol Exp 2(1):1–10



      DOI



Source link

EHS
Back to top button