Die Rolle und Herausforderung der künstlichen Intelligenz bei der neuen CT-Diagnose der Coronavirus-Pneumonie

Für mehr Informationen:ali.ma@wecistanche.com

Höhepunkte

Dieses Papier betrachtet auf neuartige Weise die Wissenschaftlichkeit und Normativität basierend auf den methodischen Anforderungen einer klinischen Studie, indem der Entwicklungsprozess von Software für künstliche Intelligenz (KI) als klinische Studie zur Bilddiagnostik der Computertomographie (CT) betrachtet wird. Das Papier zeigt auch 4 Möglichkeiten auf, um KI-Diagnosesoftware zu fördern, die bei tatsächlichen klinischen Problemen hilft und Patienten echte klinische Vorteile bringt.

Klicken Sie auf Cistanche für Nebenwirkungen und Cistanche für Immunität

Abstrakt

Anfang 2020 das neue Coronavirus Lungenentzündung(COVID-19)brach in China aus. Im Bereich der künstlichen Intelligenz (KI), die eine wichtige Rolle im Kampf gegen die Pandemie gespielt hat, sind schnell viele medizinbezogene Produkte aufgetaucht. Dieser Artikel fasst den aktuellen Forschungs- und Anwendungsstand von KI in der Radiologie und Pandemiebekämpfung zusammen und analysiert die gemeinsamen Probleme der KI-Technologie in der Forschung vonCOVID-19Diagnose. Es beinhaltet vor allem Überlegungen zum klinischen Studiendesign, Schwierigkeiten bei der Forschungsdurchführung und Herausforderungen bei der Zuverlässigkeitsüberprüfung von KI-Modellen. Als Reaktion auf die oben genannten Schwierigkeiten werden Vorschläge zur Optimierung der Wissenschaftlichkeit und Qualität der KI-Diagnoseforschung gemacht.

Schlüsselwörter:COVID-19Pandemie, Künstliche Intelligenz, Computertomographie, Klinische Forschung

Die wichtige Rolle diversifizierter Produkte der künstlichen Intelligenz bei der Epidemiebekämpfung

Anfang 2020, der Ausbruch desneues Coronavirus Lungenentzündung(Coronavirus, COVID-19) machen die Umsetzung der Krankheitsprävention und -bekämpfung zu einer großen Herausforderung. Zum Beispiel, wie man in einem Verkehrsknotenpunkt mit großem Verkehrsaufkommen schnell die Körpertemperatur aller Personen misst; wie man potenzielle wirksame Medikamente unter den riesigen Möglichkeiten schnell herausfiltert; wie man Verdachtsfälle in einer großen Population durchleuchtet; wie man mit dem Mangel an medizinischem Fachpersonal und Kreuzinfektionen während der Behandlung diagnostizierter Patienten umgeht. Künstliche Intelligenz (AI, als eines der beliebtesten Gebiete der letzten Jahre, löst einige der Probleme durch die Anwendung neuer KI-Produkte, wodurch die Effizienz der Krankheitsprävention, -kontrolle und -diagnose verbessert wird.

KI hilft bei der Überwachung und Simulation des epidemischen Entwicklungstrends, indem sie die Spur der Aktivitäten der Menschen analysiert, um frühzeitig auf die potenziellen Ausbreitungsgebiete zu warnen. Die KI kann auch die Ausbreitungswege analysieren, die engen Kontakte der diagnostischen Patienten lokalisieren und schnell Quarantäne und Behandlung einleiten. Die Infrarot-Wärmebildkamera mit KI-Bilderkennungstechnologie führt Fiebererkennung an öffentlichen Orten durch, um Personen mit abnormaler Körpertemperatur zu lokalisieren[1]. Bei der Entwicklung neuer Medikamente hilft KI dabei, aus Hunderten von Medikamenten die wirksamsten antiviralen und entzündungshemmenden Medikamente für die weitere Entwicklung zu finden [2]. Bei der Diagnose und Behandlung wurde das Deep Neural Network (DNN)-Modell übernommen, um Computertomographie (CT)-Grafikdaten ("CT plus AI) zu erkennen, um Ärzten zu helfen, Diagnosen schnell zu stellen.

Herausforderungen für „CT plus KI“ bei der Unterstützung der COVID-Diagnose-19

Die Anwendung von Künstlicher Intelligenz in der Radiologie hat besondere Aufmerksamkeit erregt. DNN wird häufig in verschiedenen medizinischen Scantechnologien eingesetzt, z. B. zur Diagnose von Lungenentzündungen in der digitalen Röntgenaufnahme des Brustkorbs (DR)[3-5], Erkennung von kanzerösen Lungenknoten [6] und Tuberkulose [7], Erkennung von Frakturen, und Vorhersage des Knochenalters durch Röntgenstrahlen [8-10].Untersuchung und Auswertung von Röntgenaufnahmen der Brust [11,12]; Erkennung und Diagnose von Lungenknoten [13,14], Lungenentzündung [15], Lebermassen [16], Bauchspeicheldrüsenkrebs [17] und vertebralen Kompressionsfrakturen [18] auf CT-Bildern; skizziert den Ventrikel in der Magnetresonanztomographie des Herzens [19]. Bei einer Ultraschalluntersuchung kann das KI-Modell die Diagnose und quantitative Analyse der Herzbildgebung durchführen [20.21]. sowie die Erkennung von Schilddrüsenknoten im Ultraschall und die Diagnose von gutartigen und bösartigen [22,23] (Tabelle 1).

Bei der Diagnose einer neuen Coronavirus-Pneumonie sind CT, DR und Ultraschall häufig verwendete bildgebende Untersuchungsverfahren, in jeweiligen Prozessen und Szenarien gemäß ihren eigenen Merkmalen. Unter ihnen hat die CT im frühen Stadium der Läsionserkennung die Priorität. Seit der Veröffentlichung des "COVID-19 Pneumonia Diagnosis and Treatment Program(Trial Version 5)" ist die CT-Bildgebungsdiagnostik auch in den klinischen Diagnosestandards des neuen COVID-19 enthalten [24]. Die Diagnose eines einzelnen Patienten erfordert jedoch die manuelle Beobachtung von mehr als hundert CT-Bildern. Bei einer großen Anzahl klinischer Anforderungen leiden Ärzte unter einer großen Arbeitsbelastung bei geringer Effizienz. Die softwaregestützte KI-Technologie kann diese klinischen Engpässe lösen. Die CT-Inspektion ist aufgrund ihrer hohen Genauigkeit, einheitlichen Standards und der tiefen Anhäufung von Industriedaten und -technologie zur bevorzugten Bildgebungslösung für die aktuelle KI-Software zur Diagnose von Lungenentzündung geworden [27. In praktischen Anwendungen können diagnostische Modelle das Lungenentzündungsbild durch einen spezifischen Algorithmus identifizieren, um vorherzusagen, ob es krank ist [27-29]. Das quantitative Lungenanalysemodell kann den Ort der Läsion erkennen, die Anzahl der Läsionen zählen, den Umfang der Läsion skizzieren, die Infektionsrate des Lungenläsionsbereichs berechnen und mit der Nachsorgesoftware zusammenarbeiten, um den Krankheitsverlauf zu verwalten und zu bewerten Prognose [28]. Mithilfe von Software wird die Arbeitsbelastung der Ärzte verringert und die Geschwindigkeit und Genauigkeit der Diagnose und Behandlung verbessert. Es ist jedoch wichtig, einige häufige Probleme bei der Erforschung der AI-gestützten CT-Diagnose von Lungenentzündungen durch das neue Coronavirus wie folgt hervorzuheben:

Studiendesign

Bei der neuen COVID-19-Pneumonie-CT-Diagnose sollte das Modelldesign vielfältig berücksichtigt werden, um verschiedene Diagnose- und Behandlungsphasen in der Anfangsphase der Entwicklung des Diagnosemodells "CT plus AI" anzupassen. Beispielsweise sollte die für das Training des frühen Screening-Modells verwendete Kontrollgruppe von der Gruppe ausgewählt werden, die im Antidiastole-Modell ausgewählt wird: 1) Entscheidungen im frühen Screening-Problem bevorzugen eine hohe Sensitivität, um Verdachtsfälle von der gesunden Bevölkerung zu trennen, daher werden die Kontrollfallproben durch trainiert Das KI-Modell sollte CT-Bilder von gesunden Lungen gegen Bilder von ungesunden Lungen darstellen. Die Fälle mit ungesunder Lunge setzen sich aus mehreren verdächtigen Lungenentzündungstypen zusammen, um sicherzustellen, dass die Modellleistung eine niedrige Rate verpasster Diagnosen aufweist. 2) Im Antidiastolen-Szenario ist die Fähigkeit einer hohen Spezifität unerlässlich, um die neue Coronavirus-Pneumonie von der durch andere Infektionen verursachten Pneumonie zu unterscheiden. Genauer gesagt sollte das ideale Kontrolldesign angesichts der realen klinischen Umstände zwei Gruppen mit ähnlichen klinischen Symptomen oder epidemiologischer Vorgeschichte wie Fieber, Husten, Anomalien des CT-Lungenbildes, aber negativen und positiven Ergebnissen im Nukleinsäuretest (oder anderen diagnostischen Goldstandards) vergleichen. . Ein solches Design sollte charakteristischere radiomische Merkmale einer neuen Coronavirus-Pneumonie konsolidieren. Darüber hinaus muss die zur Bewertung der Modellleistung gewählte Bewertungsmetrik sorgfältig abgewogen werden. Wenn zum Beispiel ein diagnostisches Modell „CT plus KI“ bewertet wird, ist das Genauigkeitsverhältnis kein geeigneter Indikator, der das Modell vollständig bewerten kann. Das Ungleichgewicht zwischen positiven und negativen Proben von Testdaten würde zu einem Problem der Leistungsüberschätzung führen (z. B. könnte ein Testsatz, der aus 96 positiven und 4 negativen Fällen besteht, ein naives Modell mit einer hohen Genauigkeit von bis zu 96 Prozent anlocken, selbst wenn nur das Modell verwendet wird Sagen Sie das Positive). KI-Diagnosesoftware wird bei spezifischen klinischen Problemen eingesetzt, um die Leistungsfähigkeit und Effizienz zu verbessern. Vor der Durchführung müssen die Studienziele geklärt und für die spezifischen klinischen Fragestellungen freigegeben werden. Anschließend sollte ein methodisches Design in wissenschaftlicher Weise durchgeführt werden. Ein vollständiger Forschungsplan sollte ebenfalls formuliert werden. Untersuchungsobjekte, Inklusiv-Exklusiv-Regel und Metriken der Endpunktbewertung sollten vollständig berücksichtigt werden. Führend im wissenschaftlichen Design kann das Risiko von Verzerrungen minimiert, qualitativ hochwertige Forschungsergebnisse erlangt und zuverlässige Leitlinien für die klinische Anwendung bereitgestellt werden.

Umsetzung der Forschung

Der Trainingsprozess des künstlichen Intelligenz-DNN-Modells ist rein datengetrieben. Es stützt sich während der Trainingsphase auf eine große Anzahl genau beschrifteter Bildproben. Je größer die Datenmenge, desto besser die Diskriminationsleistung des Modells. Das vom amerikanischen Technologiegiganten Google entwickelte diabetische Retinopathie-Diagnosesystem als KI-Medizingerät hat die zweite Phase der klinischen Erprobung bestanden. Der Trainingsprozess des Systems verwendet 130 Millionen Bilder von 10,000 Fällen, was dem Niveau medizinischer Experten nahe kommt [30]. Im Gegensatz dazu, obwohl die benannten medizinischen Einheiten in Zusammenarbeit mit Technologieherstellern neue Coronavirus-CT-Bilddaten für die Softwareschulung und -entwicklung in der Epidemie gesammelt haben, ist die Gesamtmenge relativ gering und die Verteilung relativ verstreut, zuzüglich der knappen Ressource von Experten für CT-Bilder Kennzeichnung in der Anfangsphase, was dazu führt, dass nur ein kleiner Datensatz für das Modelltraining zur Verfügung steht und die Kennzeichnungsqualität schwer zu garantieren ist. Unzureichende Trainingsdaten können dazu führen, dass sich das DNN-Modell Informationen in CT-Bildern „merkt“, die aufgrund ihrer strukturellen Merkmale mit starker Ausdruckskraft für die eigentliche Diagnose nicht relevant sind, was zu einer Überanpassung führt und die Fähigkeit zur Beurteilung zukünftiger Daten verringert. Um einen ausreichenden Trainingseffekt unter der Bedingung eines geringeren Datenvolumens zu erzielen, ist es oft notwendig, eine komplexere interne Modellstruktur und Modelltrainingsfähigkeiten zu entwerfen, was auch die Schwierigkeit der Implementierung erhöht.

Überlegungen zum Außergewöhnlichkeitsneuheit von COVID-19

Basierend auf der klinischen Erfahrung weist das Thorax-CT-Bild einer neuen Coronavirus-Pneumonie die Merkmale eines "ähnlichen Bildes, aber einer anderen Krankheit" auf. Es ist mit dem menschlichen Auge schwer zu unterscheiden, was die Antidiastole erschwert. Die Schwierigkeit ist ausgeprägter, wenn die Größe der Trainingsstichprobe klein ist. Darüber hinaus zeigen die Ergebnisse des Nukleinsäure-Kits als eines der Diagnosekriterien des neuen COVID-19 eine hohe Spezifität, aber eine geringe Sensitivität. Wird er zur Kennzeichnung von Trainingsproben als Goldstandard verwendet, würden die tatsächlich positiven Proben tendenziell fälschlicherweise als negativ gekennzeichnet. Das Training mit den fälschlicherweise gekennzeichneten Daten wird die Modellleistung direkt reduzieren.

Überprüfung der Zuverlässigkeit der AI-Diagnose

Es ist nicht zuverlässig, den Diagnoseeffekt nur durch den internen Datentest nach der Implementierung des KI-Diagnosemodells zu bewerten. Der Confounder unter den Daten, der durch verschiedene CT-Gerätemodelle, geografische Regionen, die tatsächliche klinische Umgebung, Virusvariationen und andere Faktoren verursacht wird, könnte das diagnostische Ergebnis des Modells beeinflussen. Das Modell kann diese Störfaktoren kaum mit begrenzten internen Datentests bewältigen. Wenn die KI-Diagnosesoftware ohne vollständige Validierung in den klinischen Einsatz gebracht wird, kann sie nur durch Offline-Training und -Optimierung wiederholt werden, da sie das Diagnose- und Behandlungsniveau nicht verbessern kann, indem sie wie die menschlichen Ärzte weiterhin neue Fälle lernt. Verglichen mit der Fehldiagnose eines menschlichen Arztes werden die potenziellen iatrogenen Risiken, die durch die Beschränkungen der Computersoftware verursacht werden, deutlicher. Gemäß der neuen Version des "Medical Device Classification Catalog" (CFDA 2017 No.143) sollte KI-Diagnosesoftware als Medizinprodukt einer systematischen Prüfung und umfangreichen Simulation, sogar prospektiven klinischen Studien, unterzogen werden, um die Genauigkeit vollständig zu überprüfen und Zuverlässigkeit der klinischen Diagnose. Die Artificial Intelligence Group des National Institute of Food and Drug Control (NIFDC) etablierte ein Sicherheitssystem für KI-Medizinprodukte und legte die Testmethode auf der Grundlage einer Standard-Datensatzverifizierung fest [30]. Derzeit gibt es keine Standarddatenbank für die neue Krankheitsentität COVID-19, sodass es schwierig ist, die hohe Wiederholgenauigkeit der bestehenden KI-Software bei den meisten medizinischen Scan-Diagnosen in der realen Welt zu überprüfen.

Verbesserung der Qualität und wissenschaftlichen Standardisierung des Diagnosemodells „CT plus KI“.

Die Anwendung von Künstlicher Intelligenz in der medizinischen Industrie befindet sich in China noch in einem frühen Stadium, während sie in den letzten Jahren starke Aufmerksamkeit und eine rasante Entwicklung erfahren hat, die sogar in den nationalen strategischen Entwurf aufgenommen wurde [30]. Viele Produkte der künstlichen Intelligenz haben vielversprechende Perspektiven im medizinischen Bereich gezeigt. In der nächsten Phase, für die Kommerzialisierung, würde der Fokus der Industrie auf der wissenschaftlichen Designforschung und der Standardisierung des Implementierungs- und Verifizierungsprozesses liegen; künstliche Intelligenz in der medizinischen Industrie gesund entwickeln, die Verwaltung von Al-unterstützten Diagnoseprodukten gemäß der Spezifikation für neue medizinische Geräte standardisieren. Obwohl viele KI-Produkte, die während der Epidemie entstanden sind, den Ärzten bei der Diagnose und Behandlung von Krankheiten Erleichterung gebracht haben, müssen die allgemeine wissenschaftliche Strenge und die Qualitätszuverlässigkeit noch weiter verbessert und perfektioniert werden.

Verbesserung des Studiendesigns der KI-Technologie bei klinischen Problemen

Derzeit verwenden die meisten Forschungsarbeiten zur neuen COVID-19-CT-gestützten Diagnose retrospektive Fallkontrollmethoden. Einer der Vorteile besteht darin, schnell verschiedene Informationen von begrenzten Forschungsthemen zu erhalten, während das Risiko einer Verzerrung besteht. Proben in Fall-Kontroll-Studien sollten aus allen diagnostischen Fällen entnommen oder zufällig aus ihnen ausgewählt werden, jedoch können die Proben aufgrund begrenzter Quellen nicht alle Patienten repräsentieren. Spezielle Kontrollstichproben können verwendet werden, um die Verzerrung zu reduzieren und das Evidenzniveau entsprechend der tatsächlichen Situation zu verbessern, z. B. durch Auswahl von Fällen aus derselben medizinischen Einrichtung, Verwendung von zwei oder mehr Kontrollgruppen und Abgleich von Variablen. Bei der Bewertung der diagnostischen Modellleistung kann das Richtig-Positiv-Raten- und Falsch-Positiv-Raten-Diagramm (Empfängerbetriebskennlinie (ROC-Kurve)) verwendet werden, um die Interpretation des KI-Algorithmus mit der ärztlichen Bewertung oder der Fläche unter der Kurve (AUC) zu vergleichen die Referenz der Modellleistung. Trotzdem ist es immer noch schwierig, den klinischen Nutzen vollständig zu erklären, wenn man sich ausschließlich auf Vergleiche oder Indikatoren stützt, andere klinische Entscheidungsfaktoren müssen in Wirklichkeit für eine umfassende Bewertung ebenfalls berücksichtigt werden.

Verbesserung der Genauigkeit des Etiketts, Erweiterung der Anzahl und Dimension von Trainingsbeispielen während des Modellimplementierungsprozesses

In der Primärphase haben die Modelle, die durch eine kleine Anzahl von CT-Bildproben trainiert wurden, bereits einen guten Trend gezeigt. Im Laufe der Zeit würden mehr Fälle eine bessere Basisunterstützung in der Modellausbildung verbessern. Je mehr Bilder gelernt werden, desto größer ist das Potenzial, die Schwierigkeit „gleiche Bilder, unterschiedliche Fälle“ bei der COVID-19-Diagnose zu überwinden. Als Reaktion auf diese Situation kann das Modell basierend auf CT-Bilddaten auch den Informationsbereich erweitern, indem es die klinischen Signale des Patienten, Epidemiologie, Laboruntersuchungen und andere Daten kombiniert, um die Krankheit umfassend zu beurteilen und die Diagnosegenauigkeit zu verbessern. Die Verbesserung der Genauigkeit der Probenkennzeichnung kann durch Optimierung der Goldstandardstrategie erreicht werden. Wenden Sie mehrere Intervalle des Nukleinsäuretests an, um die Möglichkeit eines einzelnen falsch-negativen Ergebnisses zu kompensieren, oder verifizieren Sie das Ergebnis anhand anderer diagnostischer Kits, wie z. B. dem IgM/IgG-Antikörpernachweis.

Richten Sie eine neue Standard-Testdatenbank für Coronavirus-Pneumonie-CT ein

Nach der Implementierung und internen Verifizierung der KI-Modellierung ist eine externe Zuverlässigkeitsverifizierung durch ein Standard-Datenbanktestsystem erforderlich. In Bezug auf das etablierte Standarddatenbanksystem für Funduserkrankungen und Lungenknoten stammen die Krankheitsentitäten aus verschiedenen medizinischen Einrichtungen im ganzen Land, einschließlich unterentwickelter Gebiete. Die Daten enthalten eine Vielzahl von Spezifikationen und sind mit Geräten verschiedener Modelle und Parameter kompatibel. Ärzte, die an der Testdatenkennzeichnung teilnehmen, verfügen über Erfahrung in der KI-medizinischen Forschung und sind gut ausgebildet. Ein spezielles Forschungsteam wird von Ärzten mit hoher Genauigkeit, Stabilität und bereicherter klinischer Erfahrung gebildet. Der Standard-Testdatensatz löscht Unternehmens- und Maschinenspuren und kontrolliert Datenverfälschungen streng, um eine faire und objektive Leistungsbewertung in einer geschlossenen Umgebung zu gewährleisten [30]. Zusammenfassend lässt sich sagen, dass es schwierig ist, eine neue COVID-19-CT-Standarddatenbank aufzubauen, indem man sich ausschließlich auf einzelne Institutionen verlässt. Die Nation sollte in der besonderen Zeit der Epidemie entsprechende Unterstützung leisten. Richten Sie beispielsweise schnell eine neue COVID-19-Spezialgruppe für künstliche Intelligenz ein, um die Zusammenarbeit und gemeinsame Nutzung von Ressourcen aller Parteien im ganzen Land zu leiten und zu koordinieren, und formulieren Sie gemeinsam eine spezielle Datenbank für Krankheitstests und andere Verifizierungsstandards.

Standardisieren Sie das Datenmanagement der medizinischen Forschung mit künstlicher Intelligenz

Am 3. Juli 2019 veröffentlichte das Center for Medical Device Evaluation „Key Points of Deep Learning Assisted Decision-Making Medical Device Software Review“ (Schlüsselpunkte). Es bietet die technische Anleitung für KI-Medizinprodukte, die als Medizinprodukte des dritten Typs registriert sind, und beseitigt den politischen Engpass vor der Produkteinführung. Es gibt jedoch keine gesetzlichen Einschränkungen in Bezug auf Ethik und Datensicherheit. Künstliche Intelligenz in der medizinischen Forschung muss der Ethik entsprechen und die Sicherheit und Privatsphäre individueller Daten schützen. Wenn nationale oder regionale Gesetze und Vorschriften zum Schutz der Privatsphäre von Patienten formuliert werden können, während eine standardisierte Datenverwaltungsplattform für die Forschung eingerichtet werden kann, kann ein Forschungsprojekt effektiv überprüft werden, um potenzielle Risiken im Design- und Implementierungsprozess zeitnah zu entdecken. Es werden Richtlinien zur Datensicherheit umgesetzt, um das Risiko einer Beeinträchtigung und Zerstörung der menschlichen Gesundheit zu vermeiden.

Verweise:

1 zc [Internet]. Wie man KI verwendet, um das neue Coronavirus zu erkennen und zu bekämpfen [zitiert am 20. März 2020].

2. Huang Q [Internet]. Das Team des Akademikers Li Lanjuan veröffentlicht: Diese beiden Medikamente können das neue Coronavirus wirksam hemmen [zitiert am 20. März 2020].

3. Wang XS, Peng YF, Lu L, et al. ChestX-Ray8: Bruströntgendatenbank im Krankenhausmaßstab und Benchmarks zur schwach überwachten Klassifizierung und Lokalisierung häufiger Thoraxerkrankungen. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, 2017, S. 3462-3471.

4. Li Z, Wang C, Han M, et al. Identifizierung und Lokalisierung von Thoraxerkrankungen mit begrenzter Überwachung. arXiv E-Prints, 2017. arXiv:1711.06373.

5. Singh R, Kalra MK, Nitiwarangkul C, et al. Deep Learning in der Thorax-Radiographie: Erkennung von Befunden und Vorhandensein von Veränderungen. Plus eins. 2018;13(10):e0204155. Veröffentlicht am 4. Oktober 2018.

6. Nam JG, Park S, Hwang EJ, et al. Entwicklung und Validierung eines auf Deep Learning basierenden automatischen Erkennungsalgorithmus für bösartige Lungenknoten auf Röntgenaufnahmen des Brustkorbs. Radiologie, 2019.

7. Lakhani P, Sundaram B. Deep Learning in der Thoraxradiographie: Automatisierte Klassifizierung von Lungentuberkulose durch die Verwendung von Convolutional Neural Networks. Radiologie. 2017;284(2):574–582.

8. W. Gale, L. Oakden-Rayner, G. Carneiro et al. Erkennung von Hüftfrakturen mit radiologischer Leistung unter Verwendung tiefer neuronaler Netze. arXiv E-Prints, 2017. arXiv:1711.06504.

9. Rajpurkar P, Irvin J, Bagul A, et al. MURA: Großer Datensatz zur Erkennung von Anomalien in muskuloskelettalen Röntgenaufnahmen. arXiv E-Prints, 2017. arXiv:1712.06957.

10. Ridley EL [Internet]. Deep Learning ist vielversprechend für die Bestimmung des Knochenalters [zitiert am 15. November 2017].

11. Yee KM[Internet]. Der KI-Algorithmus gleicht Radiologen bei Brust-Screening-Untersuchungen ab [zitiert am 13. Dezember 2017].

12. Lehman CD, Yala A, Schuster T, et al. Mammografische Brustdichtebestimmung mit Deep Learning: Klinische Implementierung. Radiologie, 2019. 290(1): p. 52-58.

13. Ridley EL. Der Deep-Learning-Algorithmus kann das Lungenknotenrisiko stratifizieren [zitiert am 26. November 2017].

14. Ali I, Hart GR, Gunabushanam G, et al. Erkennung von Lungenknoten durch Deep Reinforcement Learning. Front-Onk. 2018;8:108. Veröffentlicht am 16. April 2018. doi:10.3389/fonc.2018.00108.

15. Walsh SLF, Calandriello L, Silva M, et al. Deep Learning zur Klassifizierung von fibrotischen Lungenerkrankungen in hochauflösender Computertomographie: eine Fall-Kohorten-Studie. Lancet Respir Med. 2018;6(11):837–845.

16. Yasaka K., Akai H., Abe O., et al. Deep Learning mit Convolutional Neural Network zur Differenzierung von Lebermassen bei dynamischem kontrastverstärktem CT: Eine vorläufige Studie. Radiologie. 2018;286(3):887–896.

17. Liu FZ, Xie LX, Xia YD, et al. Darstellung und Klassifizierung der Gelenkform zur Erkennung von PDAC. arXiv E-Prints, 2018. arXiv:1804.10684.

18. Bar A, Wolf L, Amitai OB, et al. Erkennung von Kompressionsfrakturen im CT. arXiv E-Prints, 2017. arXiv:1706.01671.

19. Lieman-Sifry J, Le M, Lau F, et al. FastVentricle: Herzsegmentierung mit ENet. arXiv E-Prints, 2017. arXiv:1704.04296.

20. Madani A., Arnaout R., Mofrad M. et al. Schnelle und genaue Ansichtsklassifizierung von Echokardiogrammen mithilfe von Deep Learning. npj Digital Med 1, 6 (2018).

21. Zhang J., Gajjala S., Agrawal P., et al. Vollautomatische Echokardiogramm-Interpretation in der klinischen Praxis. Auflage, 2018. 138(16): p. 1623-1635.

22. Li XC, Zhang S, Zhang Q, et al. Diagnose von Schilddrüsenkrebs unter Verwendung von Deep Convolutional Neural Network-Modellen, die auf sonografische Bilder angewendet werden: eine retrospektive, multikohortendiagnostische Studie. Lancet Oncol. 2019;20(2):193–201. doi:10.1016/S1470-2045(18)30762-9.

23. Li HL, Weng J., Shi YJ, et al. Ein verbesserter Deep-Learning-Ansatz zur Erkennung von Schilddrüsenpapillenkrebs in Ultraschallbildern. Sci Rep. 2018;8(1):6600. Veröffentlicht am 26. April 2018.

24. Büro der Nationalen Gesundheitskommission [Internet]. Diagnose und Behandlung der neuartigen Coronavirus-Pneumonie (5. Testversion) [zitiert am 4. Februar 2020].

25. Alibaba DAMO Academy [Internet]. Was halten Sie von der neuen, von der Ali Damo Academy entwickelten KI-Diagnosetechnologie für Coronavirus-Pneumonie-CT-Bildgebung mit einer durchschnittlichen Erkennungsrate von 96 Prozent in weniger als 20 Sekunden? [ 2020-02-19].

26. Vereinigte Bildgebung. Eroberung des „Epidemie“-Durchbruchs – UAI neues intelligentes Assistenten-Analysesystem für Coronavirus-Pneumonie offiziell gestartet [zitiert am 10. Februar 2020]

27. Gozes O., Frid-Adar M., Greenspan H., et al. Schneller KI-Entwicklungszyklus für die Coronavirus (COVID-19)-Pandemie: Erste Ergebnisse für die automatisierte Erkennung und Patientenüberwachung mithilfe von Deep-Learning-CT-Bildanalyse. ArXiv abs/2003.05037 (2020): k. Seite.

28. Huang L., Han R., Ai T., et al. Serielle quantitative Thorax-CT-Bewertung von COVID-19: Deep-Learning-Ansatz. Radiologie: Kardiothorakale Bildgebung 2020 2:2.

29. Li L., Qin LX, Xu ZG, et al. Künstliche Intelligenz unterscheidet COVID-19 von ambulant erworbener Pneumonie im Thorax-CT. Radiologie. 2020;200905.

30. Jin YH, Qiu M J. China Artificial Intelligence Medical White Paper. Shanghai: Institut für künstliche Intelligenz der Shanghai Jiao Tong University, 2019. (Chinesisch)