Opportunities for artificial intelligence in radiation protection

Abstract

Zusammenfassung Klinisch-methodisches Problem Die Bildgebung von Strukturen im Körperinneren erfordert oft den Einsatz ionisierender Strahlung, die grundsätzlich ein Gesundheitsrisiko darstellt. Eine Reduktion der Strahlendosis kann zu verrauschten Bildern führen, die klinisch weniger aussagekräftig sind. Radiologische Standardmethoden Das Problem tritt bei häufig verwendeten medizinischen Bildgebungsmodalitäten wie Computertomographie (CT), Positronen-Emissions-Tomographie (PET), Einzelphotonen-Emissions-Computertomographie (SPECT), Angiographie, Fluoroskopie und allen Modalitäten auf, bei denen ionisierende Strahlung zur Bildgebung eingesetzt wird. Methodische Innovationen Die künstliche Intelligenz (KI) könnte die Qualität von Niedrigdosisbildern verbessern und dazu beitragen, die erforderliche Strahlung zu minimieren. Mögliche Anwendungen werden untersucht, und es erfolgt eine kritische Bewertung der Rahmenbedingungen und Verfahren. Bewertung Die Leistung der KI-Modelle variiert. Hochleistungsmodelle könnten in naher Zukunft im klinischen Umfeld eingesetzt werden. Für eine optimale Leistung und eine breite Einführung dieser Technologie in der medizinischen Bildgebung müssen noch einige Herausforderungen (quantitative Genauigkeit, unzureichende Trainingsdaten etc.) angegangen werden. Praktische Empfehlungen Um das Potenzial von KI und Deep Learning (DL) in der medizinischen Bildgebung voll auszuschöpfen, müssen Forschung und Entwicklung intensiviert werden. Insbesondere muss die Qualitätskontrolle der KI-Modelle sichergestellt werden, und die Trainings- und Testdaten müssen unkorreliert und qualitätsgesichert sein. Bei hinreichender wissenschaftlicher Absicherung und rigorosem Qualitätsmanagement könnte die KI zu einem sicheren Einsatz von Niedrigdosistechniken in der medizinischen Bildgebung beitragen.