Radiologie

Muskuloskelettale KI-Softwaretools durch Kooperation zwischen führender europäischer Uni-Klinik und ImageBiopsy Lab integriert und validiert

Kategorie der Pressemeldung: 
Mitteilung: 

Mehrjährige Partnerschaft hat zum Ziel, die Diagnostik von Knochenerkrankungen für pädiatrische und erwachsene Anwendungsfälle strukturiert zu bewerten und weiterzuentwickeln.

Wien, Österreich, 19. Oktober 2022 - Eine der fortschrittlichsten KI-basierten Bildanalyseplattformen für die Beurteilung von muskuloskelettalen (MSK) Erkrankungen wird in radiologischen und orthopädischen Abteilungen des Klinikums der Ludwig-Maximilians-Universität München (LMU-Klinikums) eingeführt. Das innovative Analysetool ist bereits in mehreren anderen medizinischen und akademischen Einrichtungen in der EU und den USA im klinischen Einsatz. Die KI-basierte Plattform ermöglicht eine standardisierte, effektive und präzise Beurteilung von chronischen muskuloskelettalen (MSK) Erkrankungen bei pädiatrischen und erwachsenen Patienten und bietet eine Reihe von Modulen, die für bestimmte Knochensysteme des Körpers wie Knie, Hüfte, Hand, Wirbelsäule und andere optimiert sind. Mehrere Abteilungen des LMU-Klinikums werden nun auf die KI zugreifen, um die Diagnose mit Fokus auf verschiedene Patientenpopulationen und auf gemeinsam mit ImageBiopsy Lab (IB Lab) definierte Aspekte zu optimieren.

Exakte Diagnose von Hirntumoren mittels Künstlicher Intelligenz

Kategorie der Pressemeldung: 
Mitteilung: 

Studie der Karl Landsteiner Privatuniversität für Gesundheitswissenschaften belegt partielle Überlegenheit Künstlicher Intelligenz und physiologischer Bilddaten bei der Klassifikation von Hirntumoren

Krems (Österreich), 21. Juni 2022: Die Klassifikation von Hirntumoren – und damit die Wahl der optimalen Therapieoptionen – kann durch den Einsatz Künstlicher Intelligenz in Kombination mit physiologischer Bildgebung genauer und präziser werden. Das ist das Ergebnis einer umfangreichen Studie der Karl Landsteiner Privatuniversität für Gesundheitswissenschaften (KL Krems). Darin wurden Methoden des Multiclass Machine Learnings zur Analyse und Klassifizierung von Hirntumoren anhand von physiologischen Daten aus Magnetresonanztomografien eingesetzt. Die Ergebnisse wurden anschließend mit Klassifizierungen durch menschliches Fachpersonal verglichen. Dabei zeigte sich die Künstliche Intelligenz unter anderem in den Bereichen Genauigkeit, Präzision und Fehlklassifikation überlegen, während das Fachpersonal bei der Sensitivität und Spezifität besser abschnitt.