[Artificial Intelligence in Radiology - Definition, Potential and Challenges]
- PMID: 33406927
- DOI: 10.1024/1661-8157/a003597
[Artificial Intelligence in Radiology - Definition, Potential and Challenges]
Abstract
Artificial Intelligence in Radiology - Definition, Potential and Challenges Abstract. Artificial Intelligence (AI) is omnipresent. It has neatly permeated our daily life, even if we are not always fully aware of its ubiquitous presence. The healthcare sector in particular is experiencing a revolution which will change our daily routine considerably in the near future. Due to its advanced digitization and its historical technical affinity radiology is especially prone to these developments. But what exactly is AI and what makes AI so potent that established medical disciplines such as radiology worry about their future job perspectives? What are the assets of AI in radiology today - and what are the major challenges? This review article tries to give some answers to these questions.
Zusammenfassung. Künstliche Intelligenz (KI) ist in aller Munde. Aus unserem Alltagsleben ist sie schon längst nicht mehr wegzudenken und hat sich dort an vielen Stellen bereits nahtlos integriert, ohne dass wir uns dessen immer vollständig bewusst sind. Auch im Gesundheitswesen befinden wir uns schon längt inmitten einer Revolution, die unser aller Alltag in der Zukunft verändern wird. Die Radiologie im Speziellen ist aufgrund ihrer fortgeschrittenen Digitalisierung und historisch bedingten Technik-Affinität besonders von diesen Entwicklungen betroffen. Doch was ist KI eigentlich genau und was macht KI so potent, dass etablierte Fachdisziplinen wie die Radiologie sich mit ihrer Zukunftsfähigkeit auseinandersetzen? Was kann KI in der Radiologie heute schon – und was kann sie nicht? Mit diesen Fragen beschäftigt sich der vorliegende Artikel.
Keywords: Artificial Intelligence; Bildgebung; Deep Learning; Intelligence artificielle; Künstliche Intelligenz; Radiologie; apprentissage machine; apprentissage profond; deep learning; imagerie; imaging; machine learning; maschinelles Lernen; radiologie; radiology.
Similar articles
-
Artificial intelligence in gastrointestinal and hepatic imaging: past, present and future scopes.Clin Imaging. 2022 Jul;87:43-53. doi: 10.1016/j.clinimag.2022.04.007. Epub 2022 Apr 20. Clin Imaging. 2022. PMID: 35487161 Review.
-
Integrating artificial intelligence into the clinical practice of radiology: challenges and recommendations.Eur Radiol. 2020 Jun;30(6):3576-3584. doi: 10.1007/s00330-020-06672-5. Epub 2020 Feb 17. Eur Radiol. 2020. PMID: 32064565
-
Strengths, Weaknesses, Opportunities, and Threats Analysis of Artificial Intelligence and Machine Learning Applications in Radiology.J Am Coll Radiol. 2019 Sep;16(9 Pt B):1239-1247. doi: 10.1016/j.jacr.2019.05.047. J Am Coll Radiol. 2019. PMID: 31492401 Review.
-
Artificial Intelligence and Machine Learning in Radiology: Opportunities, Challenges, Pitfalls, and Criteria for Success.J Am Coll Radiol. 2018 Mar;15(3 Pt B):504-508. doi: 10.1016/j.jacr.2017.12.026. Epub 2018 Feb 4. J Am Coll Radiol. 2018. PMID: 29402533
-
Will artificial intelligence change the job of the cardiac imaging specialist?Arch Cardiovasc Dis. 2020 Jan;113(1):1-4. doi: 10.1016/j.acvd.2019.11.002. Epub 2019 Dec 30. Arch Cardiovasc Dis. 2020. PMID: 31899110 No abstract available.
Publication types
MeSH terms
LinkOut - more resources
Full Text Sources
Other Literature Sources
