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

Beispiele Radiologiesoftware

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

Forschung

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)

Huang, Jonathan, Matthew T. Wittbrodt, Caitlin N. Teague, Eric Karl, Galal Galal, Michael Thompson, Ajay Chapa, u. a. 2025. „Efficiency and Quality of Generative AI–Assisted Radiograph Reporting“. JAMA Network Open 8 (6): e2513921–21. https://doi.org/10.1001/jamanetworkopen.2025.13921.

Najjar, Reabal. 2023. „Redefining radiology: a review of artificial intelligence integration in medical imaging“. Diagnostics 13 (17): 2760.

Sultan, Laith R, Shyam Sunder B Venkatakrishna, Sudha A Anupindi, Savvas Andronikou, Michael R Acord, Hansel J Otero, Kassa Darge, Chandra M Sehgal, und John H Holmes. 2025. „ChatGPT-4–Driven Liver Ultrasound Radiomics Analysis: Diagnostic Value and Drawbacks in a Comparative Study“. JMIR AI 4: e68144.

Hinweis

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.