Radiologie
Image-Management-Systeme
Die easyRadiology AG bietet ein Image-Management-System, das Ärzten, Patienten und medizinischem Personal jederzeit und überall Zugriff auf klinische Bilder und Befunde ermöglicht. Mit nahtloser Integration, interoperablen Systemen und flexiblen Schnittstellen erlaubt easyRadiology eine vollständig digitale Patienten-Journey – von der Terminvereinbarung bis zur Entlassung.
Weitere Softwarelösungen
| Name | Link |
|---|---|
| Raya Diagnostics | Raya Diagnostics |
| Examion Röntgensoftware | Examion Röntgensoftware |
| OpenDICOM | OpenDICOM |
| MicroDicom | MicroDicom |
| RadiAnt Viewer | RadiAnt Viewer |
| IMAIOS DICOM Viewer | IMAIOS DICOM Viewer |
| Weasis | Weasis |
| Visus | Visus |
| ORPALIS DICOM Viewer | ORPALIS DICOM Viewer |
| OsiriX | OsiriX |
| Awesome DICOM | Awesome DICOM |
| Sante DICOM Viewer | Sante DICOM Viewer Lite |
| EndoNet DICOM Viewers | EndoNet Free DICOM Viewers |
Die Website entscheidung-bildgebung.de, Teil des Betti-Projektes (better imaging), unterstützt Patientinnen und Ärztinnen bei der Entscheidung, ob und wann Bildgebung bei Schmerzen des Bewegungsapparates sinnvoll ist. Sie richtet sich an Betroffene, Interessierte sowie (Haus-)Ärzt*innen und Behandelnde.
Forschung
Künstliche Intelligenz
Die Studie „ChatGPT-4–Driven Liver Ultrasound Radiomics Analysis: Diagnostic Value and Drawbacks in a Comparative Study“ untersucht die Fähigkeit von ChatGPT-4, Leberultraschallbilder mittels Radiomics-Analyse zu bewerten und zwischen Fibrose, Steatose und normalem Lebergewebe zu unterscheiden. Sie vergleicht die Leistung von ChatGPT-4 mit konventioneller Bildanalysesoftware (IDL) anhand von 70 Ultraschallbildern aus einem präklinischen Lebererkrankungsmodell. ChatGPT-4 extrahierte neun Texturmerkmale, die signifikante Unterschiede zwischen den Leberzuständen zeigten (P<.05), erreichte eine Genauigkeit von 76 % und eine Sensitivität von 83 %. Im Vergleich zu IDL war die Sensitivität etwas niedriger (0,83 vs. 0,89), jedoch reduzierte ChatGPT-4 die Analysezeit um 40 %. Die Ergebnisse deuten auf ein hohes Potenzial von ChatGPT-4 für die automatisierte Bildanalyse hin, wobei Verbesserungen in der Reproduzierbarkeit und diagnostischen Genauigkeit erforderlich sind. (Sultan u. a. 2025)
Die Studie “Redefining Radiology: A Review of Artificial Intelligence Integration in Medical Imaging” bietet eine Übersicht über die Integration von Künstlicher Intelligenz (KI) in die Radiologie und deren transformative Auswirkungen auf die Gesundheitsversorgung. Sie verfolgt die Entwicklung der Radiologie von der Entdeckung der Röntgenstrahlen bis zur Anwendung von maschinellem Lernen (ML) und Deep Learning in der modernen medizinischen Bildanalyse. Der Schwerpunkt liegt auf den Anwendungen von KI in der Radiologie, wie Bildsegmentierung, computergestützter Diagnose, prädiktiver Analytik und Workflow-Optimierung. Darüber hinaus beleuchtet die Studie die Auswirkungen von KI auf diagnostische Prozesse, personalisierte Medizin und klinische Arbeitsabläufe und befasst sich auch mit den Herausforderungen, die mit der Integration von KI in die Radiologie verbunden sind, darunter Datenqualität, das „Black-Box“-Problem, infrastrukturelle und technische Komplexität sowie ethische Implikationen. (Najjar 2023)
Die Studie „Efficiency and Quality of Generative AI–Assisted Radiograph Reporting“ untersucht den Einsatz eines generativen KI-Modells zur Unterstützung bei der Radiologie-Berichterstellung. Dabei zeigte sich, dass die Nutzung des KI-Systems die Dokumentationszeit um 15,5% verkürzte, ohne die klinische Genauigkeit oder Textqualität der Berichte zu beeinträchtigen. Zudem konnte das System wichtige Pneumothoraces mit hoher Sensitivität und Spezifität schnell erkennen, was zu einer schnelleren Behandlung beitragen kann. Die Ergebnisse deuten darauf hin, dass die Zusammenarbeit zwischen Radiologen und generativer KI die Effizienz verbessert und die Qualität der Patientenversorgung erhalten bleibt. (Huang u. a. 2025)
„Recognising errors in AI implementation in radiology: A narrative review“ ist eine Übersichtsarbeit, die sich mit typischen Fehlerquellen bei der Implementierung von Künstlicher Intelligenz in der Radiologie befasst. Die Autor:innen beschreiben, dass Probleme sowohl im Lebenszyklus der Modelle, in der technischen Infrastruktur als auch durch menschliche Faktoren entstehen können. Dazu gehören Aspekte wie mangelnde Datenqualität, Bias, unzureichendes Testen, Integrationsprobleme in PACS/RIS sowie fehlende Akzeptanz und Vertrauen seitens der Anwender. Ziel der Arbeit ist es, diese Fehlermechanismen zu identifizieren und Lösungsansätze vorzuschlagen, um künftige Implementierungen sicherer, effizienter und klinisch relevanter zu gestalten. (Stogiannos u. a. 2025)
Der Artikel mit dem Titel „Evaluation of Reliability, Repeatability, Robustness, and Confidence of GPT-3.5 and GPT-4 on a Radiology Board–style Examination“ untersucht die Leistungsfähigkeit der KI-Modelle GPT-3.5 und GPT-4 bei radiologischen Prüfungsfragen. Im Rahmen der Studie wurden die Zuverlässigkeit, Wiederholbarkeit, Robustheit und das Vertrauen der Modelle bei der Beantwortung komplexer radiologischer Multiple-Choice-Fragen analysiert. Dabei zeigte GPT-4 eine signifikant bessere Gesamtgenauigkeit und verbesserte Leistung insbesondere bei schwierigen Fragestellungen im Vergleich zu GPT-3.5. Die Ergebnisse verdeutlichen das Potenzial großer Sprachmodelle wie GPT-4 als unterstützende Werkzeuge in der Radiologie, wobei jedoch auch ihre Grenzen berücksichtigt werden müssen. Die Studie liefert wichtige Erkenntnisse zur Integration solcher KI-Modelle in die medizinische Diagnostik und Ausbildung. (Krishna u. a. 2024)
Die Studie „Prospektive multizentrische Validierung künstlicher Intelligenz zur Erkennung von Tuberkulose und Thoraxröntgenanomalien“ untersucht den Einsatz von KI-Algorithmen zur Analyse von Thoraxaufnahmen. In mehreren klinischen Einrichtungen wurde geprüft, wie zuverlässig die Systeme Tuberkulose-typische Veränderungen sowie andere Auffälligkeiten auf Röntgenbildern erkennen. Ziel war es, den diagnostischen Ablauf zu verbessern und den Einsatz molekularer Nachweisverfahren insbesondere in Ländern mit hoher Krankheitslast effizienter zu gestalten. Die Arbeit basiert auf einer prospektiven Datenerhebung und vergleicht die Leistung der KI mit etablierten diagnostischen Verfahren, ohne subjektive Wertung der Ergebnisse. (Kazemzadeh u. a. 2024)
Patientenkommunikation
Die Studie “ReXplain: Translating Radiology into Patient-Friendly Video Reports” stellt ein KI-gestütztes System, das Radiologieberichte in patientenfreundliche Videoberichte umwandelt. Es kombiniert ein großes Sprachmodell zur Vereinfachung von Texten, ein Bildsegmentierungsmodell zur Identifikation anatomischer Regionen und ein Avatar-Generierungstool, um verständliche Erklärungen mit einfacher Sprache, hervorgehobenen Bildern und 3D-Organ-Renderings zu erstellen. Eine Machbarkeitsstudie mit fünf Radiologen zeigt, dass ReXplain radiologische Informationen vermittelt und persönliche Beratungen simuliert. Dieses System eröffnet neue Möglichkeiten für die multimodale medizinische Kommunikation und verbessert potenziell die Patientenbeteiligung und Zufriedenheit in der radiologischen Versorgung. (Luo u. a. 2024)
Der Text erhebt keinen Anspruch auf Vollständigkeit oder Korrektheit und stellt keine Rechtsberatung dar. Anmerkungen können in der rechten Seitenleiste mit Hypothes.is sozialem Annotierungswerkzeug oder am unteren Ende einer Seite mit GitHub Giscus Diskussionen hinterlassen werden.