Publikationen im NUM
Hier finden Sie eine Liste der Publikationen, die im Zusammenhang mit dem Netzwerk Universitätsmedizin in der ersten und zweiten Förderphase entstanden sind.
J. Bienzeisler,
A. Kombeiz,
S. Ehrentreich,
R. Otto,
W. Schirrmeister,
M. Pegoraro,
D. Brammen,
B. Puladi,
R. Röhrig and
R. W. Majeed,
"Implementation report on pioneering federated data access for the German National Emergency Department Data Registry",
NPJ Digit Med,
vol. 1,
no. 94,
02
2025.
| DOI: | 10.1038/s41746-025-01481-w |
| Pubmed: | 39934366 |
H. T,
T. U,
L. B,
R. D,
B. LB,
W. T,
K. M,
B. J,
G. F and
W. G,
"AI-based HRCT quantification reveals DLCO and TLC as key determinants of ILD severity in connective tissue diseases.",
RMD open,
Okt.
2025.
Abstract:
Interstitielle Lungenerkrankung (ILD) stellt die häufigste und schwere Organerscheinung dar, die bei Patienten beobachtet wird, die mit Bindegewebeerkrankungen (CTDs) diagnostiziert werden. Ziel dieser retrospektiven Querschnittsstudie war es, klinische Risikofaktoren wie Lungensymptome, Alter, Geschlecht, Labor- und Lungenfunktionstest (PFT)-Parameter zu identifizieren, die mit dem Ausmaß der ILD in Verbindung stehen, gemessen durch künstliche Intelligenz-basierte Quantifizierung der Lungenhochauflösung berechneten Tomographie (AIqpHRCT). Wir enthielten Patienten mit einer CTD-ILD-Diagnose; alle leiden unter PFT und HRCT, und auch Lungensymptome und Entzündungserscheinungen wurden dokumentiert. AIpqHRCT wurde verwendet, um Lungenvolumen zu quantifizieren und ILD-Funktionen einschließlich Bodenglas-Optik (GGO), Retikulationen, hochauflösendes Lungenvolumen (HAV), Emphysema und Gesamtumfang von ILD. Schließlich waren 76 CTD-ILD-Patienten für Regressionsanalysen geeignet, um den Einfluss von klinischen Parametern auf das ILD-Grad zu bewerten. Die Verringerung der Streufähigkeit der Lunge für Kohlenmonoxid (DLCO), Gesamtlungskapazität (TLC) und erhöhte Entzündungsparameter war maßgeblich mit dem Ausmaß von GGO, Retikulationen, HAV und Gesamterstreckung von ILD verbunden. Pulmonale Symptome, Alter und erzwungene Lebensfähigkeit wurden nicht mit dem Ausmaß der ILD, das von AIqpHRCT quantifiziert wurde, verbunden. Die Studie präsentierte, dass DLCO und TLC für die CTD-ILD Schwere prognostiziert wurden. Folglich schlagen unsere Ergebnisse die Leistung von PFT, einschließlich DLCO für alle Patienten mit CTD vor. Bei reduziertem DLCO und DC sind weitere Diagnosen, einschließlich HRCT, erforderlich.
| DOI: | 10.1136/rmdopen-2025-005963 |
Abstract:
Interstitielle Lungenerkrankung (ILD) stellt die häufigste und schwere Organerscheinung dar, die bei Patienten beobachtet wird, die mit Bindegewebeerkrankungen (CTDs) diagnostiziert werden. Ziel dieser retrospektiven Querschnittsstudie war es, klinische Risikofaktoren wie Lungensymptome, Alter, Geschlecht, Labor- und Lungenfunktionstest (PFT)-Parameter zu identifizieren, die mit dem Ausmaß der ILD in Verbindung stehen, gemessen durch künstliche Intelligenz-basierte Quantifizierung der Lungenhochauflösung berechneten Tomographie (AIqpHRCT). Wir enthielten Patienten mit einer CTD-ILD-Diagnose; alle leiden unter PFT und HRCT, und auch Lungensymptome und Entzündungserscheinungen wurden dokumentiert. AIpqHRCT wurde verwendet, um Lungenvolumen zu quantifizieren und ILD-Funktionen einschließlich Bodenglas-Optik (GGO), Retikulationen, hochauflösendes Lungenvolumen (HAV), Emphysema und Gesamtumfang von ILD. Schließlich waren 76 CTD-ILD-Patienten für Regressionsanalysen geeignet, um den Einfluss von klinischen Parametern auf das ILD-Grad zu bewerten. Die Verringerung der Streufähigkeit der Lunge für Kohlenmonoxid (DLCO), Gesamtlungskapazität (TLC) und erhöhte Entzündungsparameter war maßgeblich mit dem Ausmaß von GGO, Retikulationen, HAV und Gesamterstreckung von ILD verbunden. Pulmonale Symptome, Alter und erzwungene Lebensfähigkeit wurden nicht mit dem Ausmaß der ILD, das von AIqpHRCT quantifiziert wurde, verbunden. Die Studie präsentierte, dass DLCO und TLC für die CTD-ILD Schwere prognostiziert wurden. Folglich schlagen unsere Ergebnisse die Leistung von PFT, einschließlich DLCO für alle Patienten mit CTD vor. Bei reduziertem DLCO und DC sind weitere Diagnosen, einschließlich HRCT, erforderlich.
S. D,
S. S,
M. TT,
Z. Y,
S. L,
R. D and
B. R,
"AI-driven preclinical disease risk assessment using imaging in UK biobank.",
NPJ digital medicine,
Jul.
2025.
Abstract:
Die Identifizierung des Krankheitsrisikos und die Erkennung von Krankheiten, bevor klinische Symptome auftreten, sind für die Frühintervention und die Verbesserung der Patientenergebnisse unerlässlich. In diesem Zusammenhang bietet die Integration der medizinischen Bildgebung in einen klinischen Workflow einen einzigartigen Vorteil durch die Erfassung detaillierter struktureller und funktionaler Informationen. Im Gegensatz zu Nicht-Bilddaten, wie Lebensstil, soziodemografischen oder früheren medizinischen Bedingungen, die sich oft auf selbst gemeldete Informationen stützen, die anfällig sind, um Vorurteile und subjektive Wahrnehmungen zu erinnern, bietet die Abbildung objektivere und verlässliche Erkenntnisse. Obwohl die Verwendung der medizinischen Bildgebung in der künstlichen Intelligenz (KI)-getriebenen Risikobewertung wächst, bleibt ihr volles Potenzial untergenutzt. In dieser Arbeit zeigen wir, wie die Bildgebung in Routine-Screening-Workflows integriert werden kann, insbesondere indem wir die in der großen prospektiven Studie UK Biobank zur Verfügung stehenden Nacken-zu-Knie- Ganzkörper-Magnetresonanz-Bildgebung (MRI)-Daten nutzen. Unsere Analyse konzentriert sich auf die dreijährige Risikobewertung für ein breites Spektrum von Krankheiten, einschließlich Herz-Kreislauf-, Verdauungs-, Stoffwechsel-, Entzündungs-, degenerativen und onkologischen Bedingungen. Wir bewerten KI-basierte Pipelines für die Verarbeitung von Ganzkörper-MRT und zeigen, dass mit bildabgeleiteten Radiomics-Features die beste Prognoseleistung, Interpretationsfähigkeit und Integrationsfähigkeit mit Nichtbilddaten bietet.
| DOI: | 10.1038/s41746-025-01771-3 |
Abstract:
Die Identifizierung des Krankheitsrisikos und die Erkennung von Krankheiten, bevor klinische Symptome auftreten, sind für die Frühintervention und die Verbesserung der Patientenergebnisse unerlässlich. In diesem Zusammenhang bietet die Integration der medizinischen Bildgebung in einen klinischen Workflow einen einzigartigen Vorteil durch die Erfassung detaillierter struktureller und funktionaler Informationen. Im Gegensatz zu Nicht-Bilddaten, wie Lebensstil, soziodemografischen oder früheren medizinischen Bedingungen, die sich oft auf selbst gemeldete Informationen stützen, die anfällig sind, um Vorurteile und subjektive Wahrnehmungen zu erinnern, bietet die Abbildung objektivere und verlässliche Erkenntnisse. Obwohl die Verwendung der medizinischen Bildgebung in der künstlichen Intelligenz (KI)-getriebenen Risikobewertung wächst, bleibt ihr volles Potenzial untergenutzt. In dieser Arbeit zeigen wir, wie die Bildgebung in Routine-Screening-Workflows integriert werden kann, insbesondere indem wir die in der großen prospektiven Studie UK Biobank zur Verfügung stehenden Nacken-zu-Knie- Ganzkörper-Magnetresonanz-Bildgebung (MRI)-Daten nutzen. Unsere Analyse konzentriert sich auf die dreijährige Risikobewertung für ein breites Spektrum von Krankheiten, einschließlich Herz-Kreislauf-, Verdauungs-, Stoffwechsel-, Entzündungs-, degenerativen und onkologischen Bedingungen. Wir bewerten KI-basierte Pipelines für die Verarbeitung von Ganzkörper-MRT und zeigen, dass mit bildabgeleiteten Radiomics-Features die beste Prognoseleistung, Interpretationsfähigkeit und Integrationsfähigkeit mit Nichtbilddaten bietet.
T. D,
S. LP,
B. N,
G. S,
F. C,
L. W,
S. S,
M. W,
M. C,
K. M,
W. N,
B. T,
R. S,
F. K,
V. JJ,
J. O,
M. C,
A. S and
L. M,
"Alterations of the amygdala in post-COVID olfactory dysfunction.",
Scientific reports,
Okt.
2025.
Abstract:
Olfaktorische Dysfunktion (OD) als Symptom von COVID-19 hat aufgrund seiner hohen Prävalenz in der Forschung große Aufmerksamkeit erhalten. Während es in den meisten Individuen transient ist, hält post-COVID OD in einer bemerkenswerten Teilmenge von Patienten sogar Monate bis Jahre nach der akuten Infektion. Ein tieferes Verständnis der zugrunde liegenden Faktoren, die dieses Phänomen führen, ist unerlässlich. Es gibt immer mehr Beweise für eine Einbeziehung des zentralen Nervensystems in dieses Defizit. Ziel dieser Studie war es, die strukturelle Konnektivität und Integrität von Weißstoffpfaden in Gehirnregionen zu untersuchen, die mit der olfaktorischen Verarbeitung unter Verwendung von MRT mit Diffusions Tensor-Bildgebung (DTI) bei Patienten mit persistentem Post-COVID OD verbunden sind. Die Studie umfasste 61 Patienten, unterteilt in zwei Gruppen: 31 Teilnehmer mit post-COVID OD (PC-OlfDys) und 30 post-COVID normosmic controls (PC-N). Bei MRI-Analysen wurde ein interessenorientierter Ansatz (ROI) und voxelweise statistische Vergleiche zwischen den Gruppen mit dem Alter als Kovariat verwendet. Die fraktionierte Anisotropie (FA) im linken Amygdala war in den PC-OlfDys höher als in der PC-N-Gruppe, und die radiale Diffusivität (RD) im rechten Amygdala war in der PC-OlfDys-Gruppe höher als in PC-N. Die PC-OlfDys-Gruppe zeigte höhere Depressionen und Angstwerte, gemessen durch die achtstufige Patienten-Gesundheits-Fragenskala und den allgemeinen Angststörungs- 7 Fragebogen. Diese Studie zeigt, dass post-COVID OD mit signifikanten Veränderungen der Myelierung oder des axonalen Durchmessers von olfaktorbezogenen Gehirnregionen verbunden ist. Da die amygdala, Putamen und piriforme Cortex (alle in olfaktorischer Funktion und emotionalem Wohlbefinden) Assoziationen mit Depressionen und Angstpunkten zeigten, vermuten wir, dass post-COVID OD und Depression und Angst miteinander verwandt sind, obwohl die Richtung dieser Beziehung noch geklärt werden muss.
| DOI: | 10.1038/s41598-025-23015-w |
Abstract:
Olfaktorische Dysfunktion (OD) als Symptom von COVID-19 hat aufgrund seiner hohen Prävalenz in der Forschung große Aufmerksamkeit erhalten. Während es in den meisten Individuen transient ist, hält post-COVID OD in einer bemerkenswerten Teilmenge von Patienten sogar Monate bis Jahre nach der akuten Infektion. Ein tieferes Verständnis der zugrunde liegenden Faktoren, die dieses Phänomen führen, ist unerlässlich. Es gibt immer mehr Beweise für eine Einbeziehung des zentralen Nervensystems in dieses Defizit. Ziel dieser Studie war es, die strukturelle Konnektivität und Integrität von Weißstoffpfaden in Gehirnregionen zu untersuchen, die mit der olfaktorischen Verarbeitung unter Verwendung von MRT mit Diffusions Tensor-Bildgebung (DTI) bei Patienten mit persistentem Post-COVID OD verbunden sind. Die Studie umfasste 61 Patienten, unterteilt in zwei Gruppen: 31 Teilnehmer mit post-COVID OD (PC-OlfDys) und 30 post-COVID normosmic controls (PC-N). Bei MRI-Analysen wurde ein interessenorientierter Ansatz (ROI) und voxelweise statistische Vergleiche zwischen den Gruppen mit dem Alter als Kovariat verwendet. Die fraktionierte Anisotropie (FA) im linken Amygdala war in den PC-OlfDys höher als in der PC-N-Gruppe, und die radiale Diffusivität (RD) im rechten Amygdala war in der PC-OlfDys-Gruppe höher als in PC-N. Die PC-OlfDys-Gruppe zeigte höhere Depressionen und Angstwerte, gemessen durch die achtstufige Patienten-Gesundheits-Fragenskala und den allgemeinen Angststörungs- 7 Fragebogen. Diese Studie zeigt, dass post-COVID OD mit signifikanten Veränderungen der Myelierung oder des axonalen Durchmessers von olfaktorbezogenen Gehirnregionen verbunden ist. Da die amygdala, Putamen und piriforme Cortex (alle in olfaktorischer Funktion und emotionalem Wohlbefinden) Assoziationen mit Depressionen und Angstpunkten zeigten, vermuten wir, dass post-COVID OD und Depression und Angst miteinander verwandt sind, obwohl die Richtung dieser Beziehung noch geklärt werden muss.
S. S,
B. GL,
O. T,
S. M,
W. D,
W. MP,
H. U,
K. H,
P. T and
N. J,
"An Explainable AI Exploration of the Machine Learning Classification of Neoplastic Intracerebral Hemorrhage from Non-Contrast CT.",
Cancers,
Jul.
2025.
Abstract:
Intracerebrale Hämorrhage (ICH) im Zusammenhang mit primären und metastasierenden Hirntumoren stellt eine erhebliche Herausforderung in der Neuroonkologie aufgrund des erheblichen Risikos von Komplikationen [...].
| DOI: | 10.3390/cancers17152502 |
Abstract:
Intracerebrale Hämorrhage (ICH) im Zusammenhang mit primären und metastasierenden Hirntumoren stellt eine erhebliche Herausforderung in der Neuroonkologie aufgrund des erheblichen Risikos von Komplikationen [...].
L. M,
R. R,
S. S,
B. GL,
S. I,
S. R,
A. TA,
N. J,
S. L,
P. L,
H. R,
H. CA and
P. T,
"Analyzing the TotalSegmentator for facial feature removal in head CT scans.",
Radiography (London, England : 1995),
Jan.
2025.
Abstract:
Die Gesichtserkennungstechnologie in der medizinischen Bildgebung, insbesondere bei Kopfscans, stellt aufgrund identifizierbarer Gesichtszüge Datenschutzrisiken dar. Diese Studie wertet den Einsatz von Gesichtserkennungssoftware bei der Identifizierung von Gesichtsmerkmalen aus Kopf-CT-Scans aus und erforscht mit TotalSegmentator eine defacing Pipeline, um die Wiedererkennungsrisiken zu reduzieren und die Datenintegrität für die Forschung zu bewahren. 1404 hochwertige Renderings aus dem UCLH EIT Stroke Datensatz, sowohl mit als auch ohne Rücksicht wurden analysiert. Die Leistungsfähigkeit der von TotalSegmentator erstellten Gesichtsmaske wurde mit einem hochmodernen CT-Vernichtungsalgorithmus verglichen. Gesichtserkennung wurde mit Deep Learning Modellen durchgeführt. Die Kosinusähnlichkeit zwischen Gesichtseinbettungen für intra- und interpatientische Bilder wurde verglichen. Eine Support Vector Maschine wurde auf Cosinus-ähnliche Werte trainiert, um die Abstoßleistung zu bewerten, was bestimmt, ob zwei Renderings von demselben Patienten kamen. Diese Analyse wurde auf defaced und non-defaced Bildern mit 5-facher Quervalidierung durchgeführt. Gesichter wurden in 76,5 % nicht abgegrenzten Bildern nachgewiesen. Intra-Patient-Bilder zeigten eine mediane Kosinus-ähnlichkeit von 0,65 (IQR: 0.47-0.80), verglichen mit 0,50 (IQR: 0.39-0.62) für inter-Patient-Bilder. Ein binärer Klassifikator wurde mäßig auf nicht abgetasteten Bildern durchgeführt, wobei ein ROC-AUC von 0,69 (SD = 0,01) und eine Genauigkeit von 0,65 (SD = 0,01) erreicht wurde, um zu unterscheiden, ob ein Scan derselben oder einer anderen Person gehörte. Nach dem Abklingen ging die Leistung deutlich zurück. Die Defacation mit dem TotalSegmentator verringerte den ROC-AUC auf 0,55 (SD = 0,02) und die Genauigkeit auf 0,56 (SD = 0,01), während der CTA-DEFACE-Algorithmus die Leistung auf eine ROC-AUC von 0,60 (SD = 0,02) und eine Genauigkeit von 0,59 (SD = 0,01) reduzierte. Diese Ergebnisse zeigen die Wirksamkeit der Abgrenzung von Algorithmen bei der Minderung von Re-Identifikationsrisiken, wobei der TotalSegmentator einen leicht überlegenen Datenschutz bietet. Gesichtserkennung Software kann Gesichtsmerkmale aus Teil- und Vollkopf-CT-Scan Renderings identifizieren. Die Verwendung des TotalSegmentators zur Deface-Bilder reduziert jedoch die Neuidentifikationsrisiken auf ein Nah-Chance-Level. Wir bieten Code an, um diese datenschutzrechtliche Pipeline zu implementieren. Durch die Nutzung des TotalSegmentator-Frameworks entfernt die vorgeschlagene Pipeline die Gesichtseigenschaften von CT-Bildern effizient und ist damit ideal für die Mehr-Site-Forschung und den Datenaustausch. Es ist ein nützliches Werkzeug für Radiographen und Radiologen, die medico-legale Anforderungen erfüllen müssen, die die Entfernung von Gesichtsmerkmalen erfordern.
| DOI: | 10.1016/j.radi.2024.12.018 |
Abstract:
Die Gesichtserkennungstechnologie in der medizinischen Bildgebung, insbesondere bei Kopfscans, stellt aufgrund identifizierbarer Gesichtszüge Datenschutzrisiken dar. Diese Studie wertet den Einsatz von Gesichtserkennungssoftware bei der Identifizierung von Gesichtsmerkmalen aus Kopf-CT-Scans aus und erforscht mit TotalSegmentator eine defacing Pipeline, um die Wiedererkennungsrisiken zu reduzieren und die Datenintegrität für die Forschung zu bewahren. 1404 hochwertige Renderings aus dem UCLH EIT Stroke Datensatz, sowohl mit als auch ohne Rücksicht wurden analysiert. Die Leistungsfähigkeit der von TotalSegmentator erstellten Gesichtsmaske wurde mit einem hochmodernen CT-Vernichtungsalgorithmus verglichen. Gesichtserkennung wurde mit Deep Learning Modellen durchgeführt. Die Kosinusähnlichkeit zwischen Gesichtseinbettungen für intra- und interpatientische Bilder wurde verglichen. Eine Support Vector Maschine wurde auf Cosinus-ähnliche Werte trainiert, um die Abstoßleistung zu bewerten, was bestimmt, ob zwei Renderings von demselben Patienten kamen. Diese Analyse wurde auf defaced und non-defaced Bildern mit 5-facher Quervalidierung durchgeführt. Gesichter wurden in 76,5 % nicht abgegrenzten Bildern nachgewiesen. Intra-Patient-Bilder zeigten eine mediane Kosinus-ähnlichkeit von 0,65 (IQR: 0.47-0.80), verglichen mit 0,50 (IQR: 0.39-0.62) für inter-Patient-Bilder. Ein binärer Klassifikator wurde mäßig auf nicht abgetasteten Bildern durchgeführt, wobei ein ROC-AUC von 0,69 (SD = 0,01) und eine Genauigkeit von 0,65 (SD = 0,01) erreicht wurde, um zu unterscheiden, ob ein Scan derselben oder einer anderen Person gehörte. Nach dem Abklingen ging die Leistung deutlich zurück. Die Defacation mit dem TotalSegmentator verringerte den ROC-AUC auf 0,55 (SD = 0,02) und die Genauigkeit auf 0,56 (SD = 0,01), während der CTA-DEFACE-Algorithmus die Leistung auf eine ROC-AUC von 0,60 (SD = 0,02) und eine Genauigkeit von 0,59 (SD = 0,01) reduzierte. Diese Ergebnisse zeigen die Wirksamkeit der Abgrenzung von Algorithmen bei der Minderung von Re-Identifikationsrisiken, wobei der TotalSegmentator einen leicht überlegenen Datenschutz bietet. Gesichtserkennung Software kann Gesichtsmerkmale aus Teil- und Vollkopf-CT-Scan Renderings identifizieren. Die Verwendung des TotalSegmentators zur Deface-Bilder reduziert jedoch die Neuidentifikationsrisiken auf ein Nah-Chance-Level. Wir bieten Code an, um diese datenschutzrechtliche Pipeline zu implementieren. Durch die Nutzung des TotalSegmentator-Frameworks entfernt die vorgeschlagene Pipeline die Gesichtseigenschaften von CT-Bildern effizient und ist damit ideal für die Mehr-Site-Forschung und den Datenaustausch. Es ist ein nützliches Werkzeug für Radiographen und Radiologen, die medico-legale Anforderungen erfüllen müssen, die die Entfernung von Gesichtsmerkmalen erfordern.
L. C,
K. E,
L. J,
B. D,
F. E,
K. JT and
M. SJ,
"Association of cervical artery stenosis with common cerebral microvascular lesions and coronary artery calcifications.",
Frontiers in neuroimaging,
2025.
Abstract:
Eine Verbindung zwischen zerebralen Weißen Materie Hyperintensitäten und koronaren Arterienerkrankungen ist weit verbreitet. Beide Bedingungen sind bei älteren Menschen häufiger. Während weiße Materie Hyperintensitäten oft mit kleinen Gefäßerkrankungen verbunden sind, ist die Atherosklerose die Hauptursache für koronare Arterienerkrankungen. Wir bewerteten die Inszenierung von CT-Scans des Körpers und die Inszenierung von Hirn-MRIs von Patienten mit neu diagnostiziertem malignem Melanom (ohne Metastasis) zwischen 01/01/2015 und 06/30/2023. Die CT-Scans wurden mit einer veränderten visuellen Gesamtbewertung auf Koronararterieerkrankungen bewertet. Fazekas-Scores wurden verwendet, um die MRT für Veränderungen der weißen Materie zu bewerten. Weitere klinische Daten wurden aus digitalen Patientenaufzeichnungen gewonnen. Wir analysierten Daten von 120 Patienten (57 Weibchen, mittleres Alter 68 Jahre, Standardabweichung 14 Jahre) und fanden eine Korrelation zwischen koronarer Arterienerkrankung und beides Alter (<i>r</i> = 0,48, <i>α</i> = 0,04) und Fazekas-Score (periventricular r = 0.46, subkortical and deep white matter r = 0.55). Ein lineares Modell einschließlich Alter, koronare Arterienerkrankungen, Diabetes und arterielle Hypertonie diente als Prädiktor für die weiße Materieerkrankung und zeigte signifikante Korrelationen. Die Zugabe von (1) Atherosklerose sowie (2) Karotidstenose zum Modell führten zu (1) einer leichten Abnahme der Bedeutung und (2) zur Entformung einer potentiellen spurigen Korrelation mit Karotidstenose. Es gibt eine signifikante Korrelation zwischen Weißstoff-Hyperintensitäten und sowohl karotidierten Stenosen als auch koronaren Arterienerkrankungen. Diese Erkenntnis ist klinisch relevant: Bei Patienten mit weißer Materie sollten Hyperintensitäten und koronarer Arterienerkrankung die Karotidstenose ausgeschlossen werden.
| DOI: | 10.3389/fnimg.2025.1559481 |
Abstract:
Eine Verbindung zwischen zerebralen Weißen Materie Hyperintensitäten und koronaren Arterienerkrankungen ist weit verbreitet. Beide Bedingungen sind bei älteren Menschen häufiger. Während weiße Materie Hyperintensitäten oft mit kleinen Gefäßerkrankungen verbunden sind, ist die Atherosklerose die Hauptursache für koronare Arterienerkrankungen. Wir bewerteten die Inszenierung von CT-Scans des Körpers und die Inszenierung von Hirn-MRIs von Patienten mit neu diagnostiziertem malignem Melanom (ohne Metastasis) zwischen 01/01/2015 und 06/30/2023. Die CT-Scans wurden mit einer veränderten visuellen Gesamtbewertung auf Koronararterieerkrankungen bewertet. Fazekas-Scores wurden verwendet, um die MRT für Veränderungen der weißen Materie zu bewerten. Weitere klinische Daten wurden aus digitalen Patientenaufzeichnungen gewonnen. Wir analysierten Daten von 120 Patienten (57 Weibchen, mittleres Alter 68 Jahre, Standardabweichung 14 Jahre) und fanden eine Korrelation zwischen koronarer Arterienerkrankung und beides Alter (<i>r</i> = 0,48, <i>α</i> = 0,04) und Fazekas-Score (periventricular r = 0.46, subkortical and deep white matter r = 0.55). Ein lineares Modell einschließlich Alter, koronare Arterienerkrankungen, Diabetes und arterielle Hypertonie diente als Prädiktor für die weiße Materieerkrankung und zeigte signifikante Korrelationen. Die Zugabe von (1) Atherosklerose sowie (2) Karotidstenose zum Modell führten zu (1) einer leichten Abnahme der Bedeutung und (2) zur Entformung einer potentiellen spurigen Korrelation mit Karotidstenose. Es gibt eine signifikante Korrelation zwischen Weißstoff-Hyperintensitäten und sowohl karotidierten Stenosen als auch koronaren Arterienerkrankungen. Diese Erkenntnis ist klinisch relevant: Bei Patienten mit weißer Materie sollten Hyperintensitäten und koronarer Arterienerkrankung die Karotidstenose ausgeschlossen werden.
L. NA,
B. T,
O. OJ,
P. F,
S. V,
M. MS,
F. R,
B. C and
S. J,
"Automated quality assurance of imaging dose and protocol adherence in computed tomography radiotherapy planning using TotalSegmentator-based segmentation.",
Strahlentherapie und Onkologie : Organ der Deutschen Rontgengesellschaft ... [et al],
Nov.
2025.
Abstract:
Computed Tomography (CT) Scans sind für die Bestrahlungsplanung unerlässlich und liefern wesentliche Daten für Dosisberechnungen. Diese Studie untersuchte retrospektive Bildgebungsdosen, Scanlängen und Protokollhaftung zur Unterstützung der Bildoptimierung und zur Verringerung der Patientenstrahlung. Aus dem institutionellen Bildarchivierungs- und Kommunikationssystem (PACS) wurden CT-Daten von Patienten, die in der Zeit 04/2021 bis 12/2024 einer externen Strahlentherapie und einer Brachytherapie unterzogen wurden, abgerufen. Imaging-Dosen (volumetrischer CT-Dosenindex [CTDIvol] und Dosislängenprodukt [DLP]) wurden aus Dosisberichten extrahiert. Die Automatisierte Organsegmentierung wurde verwendet, um die Einhaltung der Standard-Betriebsverfahren (SOPs) durch Schätzung anatomischer Scanlängenunterschiede zu beurteilen. Zusätzliche Qualitätssicherung überprüft das geprüfte Protokoll und die Abbildungskonsistenz. Messprotokolle zeigten den höchsten CTDIvol (73 ± 12 mGy), während Kopf- und Halsprotokolle höhere DLP-Werte (3212 ± 757 mGy·cm hatten. Das Lungen 4D-Protokoll zeigte eine höhere effektive Dosis (23 ± 9 mSv) im Vergleich zum Standard Lungenprotokoll. Anatomische Abtastlängenunterschiede wurden an der unteren Grenze im oberen Bauch (120 ± 75 mm) und Wirbelsäule (155 ± 159 mm) beobachtet, was die Möglichkeiten zur Verbesserung des Arbeitsablaufs anzeigt. Die Verbesserung von CT-Workflows für Strahlentherapiepatienten ist wichtig und machbar. Dose- und Scan-Längenanalysen legen nahe, dass die Revision institutioneller SOPs, die Optimierung der Röntgenröhrenmodulation und die Verfeinerung der Scan-Längengrenzen für dieses Ziel berücksichtigt werden sollten.
| DOI: | 10.1007/s00066-025-02494-w |
Abstract:
Computed Tomography (CT) Scans sind für die Bestrahlungsplanung unerlässlich und liefern wesentliche Daten für Dosisberechnungen. Diese Studie untersuchte retrospektive Bildgebungsdosen, Scanlängen und Protokollhaftung zur Unterstützung der Bildoptimierung und zur Verringerung der Patientenstrahlung. Aus dem institutionellen Bildarchivierungs- und Kommunikationssystem (PACS) wurden CT-Daten von Patienten, die in der Zeit 04/2021 bis 12/2024 einer externen Strahlentherapie und einer Brachytherapie unterzogen wurden, abgerufen. Imaging-Dosen (volumetrischer CT-Dosenindex [CTDIvol] und Dosislängenprodukt [DLP]) wurden aus Dosisberichten extrahiert. Die Automatisierte Organsegmentierung wurde verwendet, um die Einhaltung der Standard-Betriebsverfahren (SOPs) durch Schätzung anatomischer Scanlängenunterschiede zu beurteilen. Zusätzliche Qualitätssicherung überprüft das geprüfte Protokoll und die Abbildungskonsistenz. Messprotokolle zeigten den höchsten CTDIvol (73 ± 12 mGy), während Kopf- und Halsprotokolle höhere DLP-Werte (3212 ± 757 mGy·cm hatten. Das Lungen 4D-Protokoll zeigte eine höhere effektive Dosis (23 ± 9 mSv) im Vergleich zum Standard Lungenprotokoll. Anatomische Abtastlängenunterschiede wurden an der unteren Grenze im oberen Bauch (120 ± 75 mm) und Wirbelsäule (155 ± 159 mm) beobachtet, was die Möglichkeiten zur Verbesserung des Arbeitsablaufs anzeigt. Die Verbesserung von CT-Workflows für Strahlentherapiepatienten ist wichtig und machbar. Dose- und Scan-Längenanalysen legen nahe, dass die Revision institutioneller SOPs, die Optimierung der Röntgenröhrenmodulation und die Verfeinerung der Scan-Längengrenzen für dieses Ziel berücksichtigt werden sollten.
G. L,
T. M,
N. S,
K. D,
B. W and
L. JA,
"Automated Scan Region Classification and Patient-specific Dose Modeling for Enhanced Dose Management in Computed Tomography.",
Investigative radiology,
Okt.
2025.
Abstract:
Ein effektives Dosismanagement in der Computertomographie wird durch 2 zentrale operative Herausforderungen behindert: eine fehleranfällige manuelle Protokoll-Mapping und das hohe Volumen an nicht reaktionsfähigen Alarmen aus fester diagnostischen Referenzebene (DRLs). Diese "altere Müdigkeit" schafft ein Risiko, klinisch signifikante Dosisabweichungen zu überblicken. Diese Studie zielte darauf ab, einen neuartigen künstlichen Intelligenz (KI)-gestützten Rahmen zu entwickeln und auszuwerten, um die Scan-Klassifikation zu automatisieren und einen patientenspezifischen Kontext für die Dosisbeurteilung bereitzustellen. Diese retrospektive Studie analysierte 2955 CT-Bestrahlungsereignisse. Es wurde eine Verarbeitungspipeline entwickelt, die zunächst eine automatisierte Körpersegmentierung mit einem tiefen Lernmodell durchführt. Ein zufälliger Waldklassifikator wurde dann auf die resultierenden Organvolumina trainiert, um 15 verschiedene Scanbereiche zu identifizieren. Für 4 gemeinsame Untersuchungstypen wurden lineare Regressionsmodelle ermittelt, um den CT-Dosenindex (CTDIvol) basierend auf der mittleren Querschnittsfläche des Patienten zu prognostizieren. Die Fälle wurden als statistische Ausreißer identifiziert, wenn der absolute standardisierte Rest > 2 war. Die Anzahl dieser Ausreißer wurde mit der Anzahl der üblichen DRL-Überschreitungen verglichen. Der automatisierte Scanbereich Klassifikator erreichte eine hohe Genauigkeit mit einem makrodurchschnittenen F1-Score von 93,8% auf dem Hold-out-Testsatz. Die Regressionsmodelle zeigten eine klare lineare Korrelation zwischen Patientenanatomie und CTDIvol (r = 0,56 bis 0,79). Die patientenspezifischen Modelle identifizierten deutlich weniger Fälle zur Überprüfung (60 statistische Ausreißer) im Vergleich zum Standard DRL-basierten Verfahren (170 Überschreitungen). Die manuelle Analyse bestätigte, dass alle markierten Fälle klinisch gerechtfertigt waren. Unsere Ergebnisse bestätigen, dass ein AI-gestützter, patientenzentrierter Rahmen eine hochwirksame Strategie für das Dosismanagement ist. Durch die Verschiebung des Paradigmas von starren, bevölkerungsbasierten Schwellen auf eine dynamische, patientenspezifische Bewertung, bietet unser Ansatz eine effektivere Methode zur Identifizierung potenzieller Dosisabweichungen und reduziert die Belastung nicht reaktionsfähiger Alarme erheblich. Diese Arbeit zeigt einen Kurs auf einen neuen Standard der Strahlungsdosisüberwachung, das Feld in Richtung einer effizienteren und zuverlässigeren Form der personalisierten Dosisüberwachung voranzutreiben.
| DOI: | 10.1097/RLI.0000000000001247 |
Abstract:
Ein effektives Dosismanagement in der Computertomographie wird durch 2 zentrale operative Herausforderungen behindert: eine fehleranfällige manuelle Protokoll-Mapping und das hohe Volumen an nicht reaktionsfähigen Alarmen aus fester diagnostischen Referenzebene (DRLs). Diese "altere Müdigkeit" schafft ein Risiko, klinisch signifikante Dosisabweichungen zu überblicken. Diese Studie zielte darauf ab, einen neuartigen künstlichen Intelligenz (KI)-gestützten Rahmen zu entwickeln und auszuwerten, um die Scan-Klassifikation zu automatisieren und einen patientenspezifischen Kontext für die Dosisbeurteilung bereitzustellen. Diese retrospektive Studie analysierte 2955 CT-Bestrahlungsereignisse. Es wurde eine Verarbeitungspipeline entwickelt, die zunächst eine automatisierte Körpersegmentierung mit einem tiefen Lernmodell durchführt. Ein zufälliger Waldklassifikator wurde dann auf die resultierenden Organvolumina trainiert, um 15 verschiedene Scanbereiche zu identifizieren. Für 4 gemeinsame Untersuchungstypen wurden lineare Regressionsmodelle ermittelt, um den CT-Dosenindex (CTDIvol) basierend auf der mittleren Querschnittsfläche des Patienten zu prognostizieren. Die Fälle wurden als statistische Ausreißer identifiziert, wenn der absolute standardisierte Rest > 2 war. Die Anzahl dieser Ausreißer wurde mit der Anzahl der üblichen DRL-Überschreitungen verglichen. Der automatisierte Scanbereich Klassifikator erreichte eine hohe Genauigkeit mit einem makrodurchschnittenen F1-Score von 93,8% auf dem Hold-out-Testsatz. Die Regressionsmodelle zeigten eine klare lineare Korrelation zwischen Patientenanatomie und CTDIvol (r = 0,56 bis 0,79). Die patientenspezifischen Modelle identifizierten deutlich weniger Fälle zur Überprüfung (60 statistische Ausreißer) im Vergleich zum Standard DRL-basierten Verfahren (170 Überschreitungen). Die manuelle Analyse bestätigte, dass alle markierten Fälle klinisch gerechtfertigt waren. Unsere Ergebnisse bestätigen, dass ein AI-gestützter, patientenzentrierter Rahmen eine hochwirksame Strategie für das Dosismanagement ist. Durch die Verschiebung des Paradigmas von starren, bevölkerungsbasierten Schwellen auf eine dynamische, patientenspezifische Bewertung, bietet unser Ansatz eine effektivere Methode zur Identifizierung potenzieller Dosisabweichungen und reduziert die Belastung nicht reaktionsfähiger Alarme erheblich. Diese Arbeit zeigt einen Kurs auf einen neuen Standard der Strahlungsdosisüberwachung, das Feld in Richtung einer effizienteren und zuverlässigeren Form der personalisierten Dosisüberwachung voranzutreiben.
S. S,
F. U,
K. J,
R. R,
B. GL,
L. M,
S. IT,
J. H,
M. M,
G. D,
W. B and
P. T,
"Automatic 3D Tracking of Liver Metastases: Follow-Up Assessment of Cancer Patients in Contrast-Enhanced MRI.",
Bioengineering (Basel, Switzerland),
Aug.
2025.
Abstract:
Das differenzierte Wachstum der sekundären Lebermetastasen ist für die frühe Erkennung von Progression wichtig, bleibt aber aufgrund variabler Tumorwachstumsraten herausfordernd. Wir wollten eine genaue, konsequente und effiziente Längsüberwachung automatisieren. Wir entwickelten einen automatischen 3D-Segmentierungs- und Tracking-Algorithmus, um das differentielle Wachstum zu quantifizieren, getestet auf kontrastverstärkten MRI-Follow-ups von Patienten mit neuroendocrine Lebermetastasen (NELMs). Die Ausgabe wurde in ein Entscheidungshilfeinstrument integriert, um zwischen fortschreitender Krankheit, stabiler Krankheit und teilweiser/vollständiger Reaktion zu unterscheiden. Eine Anwenderstudie, die eine Expertengruppe von sieben Expertenradiologen umfasst, hat ihre Auswirkungen bewertet. Gruppenvergleiche nutzten den Friedman-Test mit Post-hoc-Analysen. Unser Algorithmus entdeckte 991 Metastasen bei 30 Patienten: 13% neu, 30% progressiv, 18% stabil und 18% regressiv; der Rest war entweder zu klein, um (15%) zu messen oder mit einer anderen Metastasierung in der Folgebewertung (6%) zusammengeführt. Die Diagnosegenauigkeit verbesserte sich mit zusätzlichen Informationen über die Lebertumorbelastung und das Differenzwachstum, wenn auch nicht signifikant (<i>p</i> = 0,72). Die Diagnosezeit wurde erhöht (>i>p</i> < 0,001). Alle Radiologen fanden die Methode nützlich und drückten den Wunsch aus, sie in bestehende diagnostische Werkzeuge zu integrieren. Wir automatisierten Segmentierung und Quantifizierung einzelner NELMs und ermöglichen eine umfassende Längsanalyse des differentiellen Tumorwachstums mit dem Potenzial, die klinische Entscheidungsfindung zu verbessern.
| DOI: | 10.3390/bioengineering12080874 |
Abstract:
Das differenzierte Wachstum der sekundären Lebermetastasen ist für die frühe Erkennung von Progression wichtig, bleibt aber aufgrund variabler Tumorwachstumsraten herausfordernd. Wir wollten eine genaue, konsequente und effiziente Längsüberwachung automatisieren. Wir entwickelten einen automatischen 3D-Segmentierungs- und Tracking-Algorithmus, um das differentielle Wachstum zu quantifizieren, getestet auf kontrastverstärkten MRI-Follow-ups von Patienten mit neuroendocrine Lebermetastasen (NELMs). Die Ausgabe wurde in ein Entscheidungshilfeinstrument integriert, um zwischen fortschreitender Krankheit, stabiler Krankheit und teilweiser/vollständiger Reaktion zu unterscheiden. Eine Anwenderstudie, die eine Expertengruppe von sieben Expertenradiologen umfasst, hat ihre Auswirkungen bewertet. Gruppenvergleiche nutzten den Friedman-Test mit Post-hoc-Analysen. Unser Algorithmus entdeckte 991 Metastasen bei 30 Patienten: 13% neu, 30% progressiv, 18% stabil und 18% regressiv; der Rest war entweder zu klein, um (15%) zu messen oder mit einer anderen Metastasierung in der Folgebewertung (6%) zusammengeführt. Die Diagnosegenauigkeit verbesserte sich mit zusätzlichen Informationen über die Lebertumorbelastung und das Differenzwachstum, wenn auch nicht signifikant (<i>p</i> = 0,72). Die Diagnosezeit wurde erhöht (>i>p</i> < 0,001). Alle Radiologen fanden die Methode nützlich und drückten den Wunsch aus, sie in bestehende diagnostische Werkzeuge zu integrieren. Wir automatisierten Segmentierung und Quantifizierung einzelner NELMs und ermöglichen eine umfassende Längsanalyse des differentiellen Tumorwachstums mit dem Potenzial, die klinische Entscheidungsfindung zu verbessern.
Z. J,
E. MP,
F. T,
V. PC,
S. G,
E. J,
P. P,
D. S. F. R,
A. F,
H. M,
V. E,
R. J,
R. S,
M. JK,
K. B,
S. G,
K. M,
K. LA,
G. H,
S. H,
S. I,
A. F,
H. D,
E. M,
F. G,
K. D,
B. M,
P. HU and
G. C,
"Bridging Data Silos in Oncology with Modular Software for Federated Analysis on Fast Healthcare Interoperability Resources: Multisite Implementation Study.",
Journal of medical Internet research,
Apr.
2025.
Abstract:
Real-world-Daten (RWD) aus Quellen wie administrativen Ansprüchen, elektronischen Gesundheitsaufzeichnungen und Krebsregistrierungen bieten Einblicke in Patientenpopulationen jenseits der eng regulierten Umgebung von randomisierten kontrollierten Studien. Um dies zu nutzen und die Krebsforschung voranzutreiben, haben 6 Universitätskliniken in Bayern eine gemeinsame Forschungs-IT-Infrastruktur aufgebaut. Diese Studie zielte darauf ab, das Design, die Implementierung und den Einsatz einer modularen Datentransformationspipeline zu skizzieren, die die onkologische RWD in ein Health Level 7 (HL7) Fast Healthcare Interoperability Resources (FHIR)-Format verwandelt und dann in ein tabellarisches Format in Vorbereitung auf eine föderierte Analyse (FA) in den 6 bayerischen Krebsforschungszentrum Universitätskliniken. Um RWD effektiv zu nutzen, haben wir eine Pipeline entwickelt, um den onkologischen Basisdatensatz (oBDS) in HL7 FHIR Format umzuwandeln und auf FA vorzubereiten. Die Pipeline behandelt vielfältige IT-Infrastrukturen und -Systeme, wobei die Daten für die Analyse dezentralisiert bleiben. Um die Funktionalität und Gültigkeit unserer Umsetzung zu bewerten, haben wir eine Kohorte festgelegt, um zwei spezifische medizinische Forschungsfragen zu behandeln. Wir haben unsere Ergebnisse ausgewertet, indem wir die Ergebnisse der FA mit Berichten aus dem Bayerischen Krebsregister und den Originaldaten aus lokalen Tumordokumentationssystemen vergleichen. Wir führten eine FA von 17,885 Krebsfällen ab 2021/2022 durch. Brustkrebs war die häufigste Diagnose an 3 Standorten, Prostatakrebs in den Top 2 an 4 Standorten, und malignes Melanom war besonders verbreitet. Geschlechtsspezifische Trends zeigten Larynx- und Esophaguskrebse waren bei Männern häufiger, während Brust- und Schilddrüsenkrebs bei Frauen häufiger war. Diskrepanzen zwischen dem Bayerischen Krebsregister und unseren Daten, wie höhere Rate von malignem Melanom (3400/63,771, 5,3% vs 1921/17,885, 10,7%) und niedrigere Darstellung von Dickdarmkrebs (8100/63,771, 12,7% vs 1187/17,885, 6,6%) wahrscheinlich aus Differenzen in den untersuchten Zeiträumen (2019 vs 2021/2022) und dem Umfang der Daten resultieren. Das Bayerische Krebsregister berichtet ungefähr 3 mal mehr Krebsfälle als allein die 6 Universitätskliniken. Die modulare Pipeline hat die onkologische RWD in 6 Krankenhäusern erfolgreich transformiert, und der föderierte Ansatz bewahrte die Privatsphäre und ermöglicht eine umfassende Analyse. Zukünftige Arbeiten werden die Unterstützung neuer oBDS-Versionen hinzufügen, Datenqualitätsprüfungen automatisieren und zusätzliche klinische Daten integrieren. Unsere Ergebnisse unterstreichen das Potenzial von federgeführten Gesundheitsdatennetzwerken und legen den Grundstein für die zukünftige Forschung, die hochwertige RWD nutzen kann, um wertvolle Kenntnisse auf dem Gebiet der Krebsforschung beizutragen.
| DOI: | 10.2196/65681 |
Abstract:
Real-world-Daten (RWD) aus Quellen wie administrativen Ansprüchen, elektronischen Gesundheitsaufzeichnungen und Krebsregistrierungen bieten Einblicke in Patientenpopulationen jenseits der eng regulierten Umgebung von randomisierten kontrollierten Studien. Um dies zu nutzen und die Krebsforschung voranzutreiben, haben 6 Universitätskliniken in Bayern eine gemeinsame Forschungs-IT-Infrastruktur aufgebaut. Diese Studie zielte darauf ab, das Design, die Implementierung und den Einsatz einer modularen Datentransformationspipeline zu skizzieren, die die onkologische RWD in ein Health Level 7 (HL7) Fast Healthcare Interoperability Resources (FHIR)-Format verwandelt und dann in ein tabellarisches Format in Vorbereitung auf eine föderierte Analyse (FA) in den 6 bayerischen Krebsforschungszentrum Universitätskliniken. Um RWD effektiv zu nutzen, haben wir eine Pipeline entwickelt, um den onkologischen Basisdatensatz (oBDS) in HL7 FHIR Format umzuwandeln und auf FA vorzubereiten. Die Pipeline behandelt vielfältige IT-Infrastrukturen und -Systeme, wobei die Daten für die Analyse dezentralisiert bleiben. Um die Funktionalität und Gültigkeit unserer Umsetzung zu bewerten, haben wir eine Kohorte festgelegt, um zwei spezifische medizinische Forschungsfragen zu behandeln. Wir haben unsere Ergebnisse ausgewertet, indem wir die Ergebnisse der FA mit Berichten aus dem Bayerischen Krebsregister und den Originaldaten aus lokalen Tumordokumentationssystemen vergleichen. Wir führten eine FA von 17,885 Krebsfällen ab 2021/2022 durch. Brustkrebs war die häufigste Diagnose an 3 Standorten, Prostatakrebs in den Top 2 an 4 Standorten, und malignes Melanom war besonders verbreitet. Geschlechtsspezifische Trends zeigten Larynx- und Esophaguskrebse waren bei Männern häufiger, während Brust- und Schilddrüsenkrebs bei Frauen häufiger war. Diskrepanzen zwischen dem Bayerischen Krebsregister und unseren Daten, wie höhere Rate von malignem Melanom (3400/63,771, 5,3% vs 1921/17,885, 10,7%) und niedrigere Darstellung von Dickdarmkrebs (8100/63,771, 12,7% vs 1187/17,885, 6,6%) wahrscheinlich aus Differenzen in den untersuchten Zeiträumen (2019 vs 2021/2022) und dem Umfang der Daten resultieren. Das Bayerische Krebsregister berichtet ungefähr 3 mal mehr Krebsfälle als allein die 6 Universitätskliniken. Die modulare Pipeline hat die onkologische RWD in 6 Krankenhäusern erfolgreich transformiert, und der föderierte Ansatz bewahrte die Privatsphäre und ermöglicht eine umfassende Analyse. Zukünftige Arbeiten werden die Unterstützung neuer oBDS-Versionen hinzufügen, Datenqualitätsprüfungen automatisieren und zusätzliche klinische Daten integrieren. Unsere Ergebnisse unterstreichen das Potenzial von federgeführten Gesundheitsdatennetzwerken und legen den Grundstein für die zukünftige Forschung, die hochwertige RWD nutzen kann, um wertvolle Kenntnisse auf dem Gebiet der Krebsforschung beizutragen.
M. N,
P. B,
K. J,
F. E,
L. G,
A. V and
E. J,
"Comparative Analysis of nnUNet and MedNeXt for Head and Neck Tumor Segmentation in MRI-Guided Radiotherapy.",
Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings,
2025.
Abstract:
Die Strahlentherapie (RT) ist bei der Behandlung von Kopf- und Halskrebs (HNC) von wesentlicher Bedeutung, wobei die Magnetresonanztomographie (MRI)-geführte RT einen überlegenen Weichgewebekontrast und eine funktionelle Abbildung bietet. Die manuelle Tumorsegmentierung ist jedoch zeitaufwendig und komplex und bleibt daher eine Herausforderung. In dieser Studie stellen wir unsere Lösung als Team TUMOR der HNTS-MRG24 MICCAI Challenge vor, die sich auf die automatisierte Segmentierung von primären Bruttotumorvolumina (GTVp) und metastasierenden Lymphknoten Bruttotumorvolumen (GTVn) in Vor-RT- und Mid-RT-Bildern konzentriert. Wir nutzten den HNTS-MRG2024 Datensatz, der aus 150 MRI-Scans von Patienten besteht, die mit HNC diagnostiziert werden, einschließlich Original- und registrierte Pre-RT- und Mid-RT-T2-gewichtete Bilder mit entsprechenden Segmentierungsmasken für GTVp und GTVn. Wir beschäftigten zwei hochmoderne Modelle in Deep Learning, nnUNet und MedNeXt. Für Task 1 haben wir Modelle auf vor-RT registrierten und mittleren-RT-Bildern vortrainiert, gefolgt von Feinabstimmung auf originalen Vor-RT-Bildern. Für Task 2 haben wir registrierte Pre-RT-Bilder, registrierte Pre-RT-Segmentationsmasken und Mid-RT-Daten als Multi-Channel-Eingabe für das Training zusammengefasst. Unsere Lösung für <b>Task 1</b> erreichte 1. Platz in der endgültigen Testphase mit einem aggregierten Dice Ähnlichity Coeffizient von <b>0.8254</b> und unserer Lösung für <b>Task 2</b> auf Platz 8 mit einem Score von <b>0.7005</b>. Die vorgeschlagene Lösung ist im Github Repository öffentlich verfügbar.
| DOI: | 10.1007/978-3-031-83274-1_10 |
Abstract:
Die Strahlentherapie (RT) ist bei der Behandlung von Kopf- und Halskrebs (HNC) von wesentlicher Bedeutung, wobei die Magnetresonanztomographie (MRI)-geführte RT einen überlegenen Weichgewebekontrast und eine funktionelle Abbildung bietet. Die manuelle Tumorsegmentierung ist jedoch zeitaufwendig und komplex und bleibt daher eine Herausforderung. In dieser Studie stellen wir unsere Lösung als Team TUMOR der HNTS-MRG24 MICCAI Challenge vor, die sich auf die automatisierte Segmentierung von primären Bruttotumorvolumina (GTVp) und metastasierenden Lymphknoten Bruttotumorvolumen (GTVn) in Vor-RT- und Mid-RT-Bildern konzentriert. Wir nutzten den HNTS-MRG2024 Datensatz, der aus 150 MRI-Scans von Patienten besteht, die mit HNC diagnostiziert werden, einschließlich Original- und registrierte Pre-RT- und Mid-RT-T2-gewichtete Bilder mit entsprechenden Segmentierungsmasken für GTVp und GTVn. Wir beschäftigten zwei hochmoderne Modelle in Deep Learning, nnUNet und MedNeXt. Für Task 1 haben wir Modelle auf vor-RT registrierten und mittleren-RT-Bildern vortrainiert, gefolgt von Feinabstimmung auf originalen Vor-RT-Bildern. Für Task 2 haben wir registrierte Pre-RT-Bilder, registrierte Pre-RT-Segmentationsmasken und Mid-RT-Daten als Multi-Channel-Eingabe für das Training zusammengefasst. Unsere Lösung für <b>Task 1</b> erreichte 1. Platz in der endgültigen Testphase mit einem aggregierten Dice Ähnlichity Coeffizient von <b>0.8254</b> und unserer Lösung für <b>Task 2</b> auf Platz 8 mit einem Score von <b>0.7005</b>. Die vorgeschlagene Lösung ist im Github Repository öffentlich verfügbar.
L. M,
R. R,
S. S,
B. GL,
S. I,
E. S,
H. CA and
P. T,
"Comparing large language models and text embedding models for automated classification of textual, semantic, and critical changes in radiology reports.",
European journal of radiology,
Okt.
2025.
Abstract:
Radiologie-Berichte können sich während des Workflows ändern, vor allem, wenn die Bewohner vorläufige Versionen erstellen, die die Ärzte abschließend behandeln. Wir untersuchten, wie große Sprachmodelle (LLMs) und Einbettungstechniken diese Veränderungen in textuellen, semantischen oder klinisch handlungsfähigen Typen kategorisieren können. Wir haben 400 adulte CT-Berichte ausgewertet, die von Bewohnern gegen abgeschlossene Versionen von Ärzten erstellt wurden. Änderungen wurden in einer fünf-Punkt-Skala von keiner Veränderung zu kritischen bewertet. Wir untersuchten Open-Source-LLMs neben traditionellen Metriken wie normalisierte Wortunterschiede, Levenshtein und Jaccard Ähnlichkeit und Texteinbettung Ähnlichkeit. Die Modellleistung wurde mit quadratisch gewichteten Cohen's kappa (κ), (balanced) Genauigkeit, F<sub>1</sub>, Präzision und Rückruf bewertet. Die Inter-Rater-Verlässlichkeit bei den Evaluatoren war ausgezeichnet (κ = 0.990). Von den analysierten Berichten enthielten 1,3 % kritische Veränderungen. Die getesteten Verfahren zeigten signifikante Leistungsunterschiede (P < 0,001). Das Qwen3-235B-A22B-Modell mit einer Null-Schuss-Prompt, die am besten mit menschlichen Einschätzungen von Veränderungen in klinischen Berichten fluchtet und einen κ von 0,822 (SD 0.031) erreicht. Die beste konventionelle Metrik, Wortdifferenz, hatte einen κ von 0,732 (SD 0,048), die Differenz zwischen den beiden zeigte statistische Bedeutung bei unjustierten Post-hoc-Tests (P = 0,038), aber verlorene Bedeutung nach Einstellung für Mehrfachtests (P = 0,064). Einbettungsmodelle im Vergleich zu LLMs und klassischen Methoden, die in den meisten Fällen statistische Bedeutung zeigen. Große Sprachmodelle wie Qwen3-235B-A22B zeigten eine moderate bis starke Ausrichtung mit Expertenauswertungen der klinischen Bedeutung von Veränderungen in Radiologieberichten. LLMs vertiefte Einbettungsmethoden und traditionelle String- und Wortansätze, wobei in den meisten Fällen statistische Bedeutung zukommt. Dies zeigt ihr Potenzial als Werkzeuge zur Unterstützung der Peer Review.
| DOI: | 10.1016/j.ejrad.2025.112316 |
Abstract:
Radiologie-Berichte können sich während des Workflows ändern, vor allem, wenn die Bewohner vorläufige Versionen erstellen, die die Ärzte abschließend behandeln. Wir untersuchten, wie große Sprachmodelle (LLMs) und Einbettungstechniken diese Veränderungen in textuellen, semantischen oder klinisch handlungsfähigen Typen kategorisieren können. Wir haben 400 adulte CT-Berichte ausgewertet, die von Bewohnern gegen abgeschlossene Versionen von Ärzten erstellt wurden. Änderungen wurden in einer fünf-Punkt-Skala von keiner Veränderung zu kritischen bewertet. Wir untersuchten Open-Source-LLMs neben traditionellen Metriken wie normalisierte Wortunterschiede, Levenshtein und Jaccard Ähnlichkeit und Texteinbettung Ähnlichkeit. Die Modellleistung wurde mit quadratisch gewichteten Cohen's kappa (κ), (balanced) Genauigkeit, F<sub>1</sub>, Präzision und Rückruf bewertet. Die Inter-Rater-Verlässlichkeit bei den Evaluatoren war ausgezeichnet (κ = 0.990). Von den analysierten Berichten enthielten 1,3 % kritische Veränderungen. Die getesteten Verfahren zeigten signifikante Leistungsunterschiede (P < 0,001). Das Qwen3-235B-A22B-Modell mit einer Null-Schuss-Prompt, die am besten mit menschlichen Einschätzungen von Veränderungen in klinischen Berichten fluchtet und einen κ von 0,822 (SD 0.031) erreicht. Die beste konventionelle Metrik, Wortdifferenz, hatte einen κ von 0,732 (SD 0,048), die Differenz zwischen den beiden zeigte statistische Bedeutung bei unjustierten Post-hoc-Tests (P = 0,038), aber verlorene Bedeutung nach Einstellung für Mehrfachtests (P = 0,064). Einbettungsmodelle im Vergleich zu LLMs und klassischen Methoden, die in den meisten Fällen statistische Bedeutung zeigen. Große Sprachmodelle wie Qwen3-235B-A22B zeigten eine moderate bis starke Ausrichtung mit Expertenauswertungen der klinischen Bedeutung von Veränderungen in Radiologieberichten. LLMs vertiefte Einbettungsmethoden und traditionelle String- und Wortansätze, wobei in den meisten Fällen statistische Bedeutung zukommt. Dies zeigt ihr Potenzial als Werkzeuge zur Unterstützung der Peer Review.
S. R,
R. C,
X. H,
H. Y,
Y. EY,
H. L,
S. O,
L. Y,
N. L,
H. F,
R. R,
A. SA,
H. CA,
P. T,
G. B and
S. LJ,
"Comparing the Prognostic Value of Quantitative Response Assessment Tools and LIRADS Treatment Response Algorithm in Patients with Hepatocellular Carcinoma Following Interstitial High-Dose-Rate Brachytherapy and Conventional Transarterial Chemoembolization.",
Cancers,
Apr.
2025.
Abstract:
<b>Background/Objectives:</b> Ziel dieser Studie war es, den prognostischen Wert der etablierten Antwortbewertungstools für hepatozelluläres Karzinom (HCC) zu untersuchen, das mit einer hoch dosierten interstitiellen Brachytherapie (iBT) allein oder mit transarterialer Chemoembolisierung (cTACE) behandelt wird. <b>Methoden: </b> (Non-)Referenten wurden unter Verwendung von größenbasierten RECIST 1.1 und WHO-Kriterien, Enhance-basierten MRECIST- und EASL-Kriterien und dem LI-RADS-Behandlungsreaktionsalgorithm (LR-TRA)Kategorisiert. Die Ergebnisse waren das Gesamtüberleben (OS), das progressionsfreie Überleben (PFS) und die Zeit zur Progression (TTP). Die verwendeten Statistiken enthielten Fisher's genaue Test, ein <i>t</i>-Test, den Mann-Whitney-U Test und eine Kaplan-Meier-Analyse. Die Median OS, PFS und TTP waren bei Patienten nach iBT (26.3, 9.1 und 13.0 Monaten) höher als nach cTACE/iBT (23.3, 7.6 und 9.2 Monaten). <b>Ergebnisse:</b> Die Enhance-basierten Kriterien identifizierten mehr Beantworter und prognostizierten PFS und TTP besser im Vergleich zu den größenbasierten Kriterien. In zwei Monaten zeigten die cTACE/iBT-Ansprecher eine verbesserte PFS (mRECIST und EASL: 11.3 vs. 2.3 und 11.0 vs. 2.3, <i>p</i> < 0.01) und TTP (mRECIST und EASL: 11.9 vs. 2.4 Monate, <i>p>/i> 0.01) durch die verbesserungsbasierten Kriterien. Eine EASL-Bewertung in fünf Monaten prognostizierte ein verbessertes Überleben sowohl nach cTACE/iBT (PFS: 11,9 vs. 5.1 Monate, <i>p</i> = 0,03; TTP: 12,4 vs. 5.0, <i>p</i> < 0.01) als auch nach iBT (11.1 vs. 5.1 Monate, <i>p>/i> = 0,04; 13,0 vs. Das LR-TRA zeigte für cTACE/iBT-Ansprecher fünf Monate OS-Leistungen. Größenbasierte Kriterien waren nicht prognostisch. <b>Ausschlüsse:</b> Die Verlängerung der Nachverfolgung nach dem iBT oder nach dem iBT/cTACE kann die Schichtung und Prognose der Befragten verbessern.
| DOI: | 10.3390/cancers17081275 |
Abstract:
<b>Background/Objectives:</b> Ziel dieser Studie war es, den prognostischen Wert der etablierten Antwortbewertungstools für hepatozelluläres Karzinom (HCC) zu untersuchen, das mit einer hoch dosierten interstitiellen Brachytherapie (iBT) allein oder mit transarterialer Chemoembolisierung (cTACE) behandelt wird. <b>Methoden: </b> (Non-)Referenten wurden unter Verwendung von größenbasierten RECIST 1.1 und WHO-Kriterien, Enhance-basierten MRECIST- und EASL-Kriterien und dem LI-RADS-Behandlungsreaktionsalgorithm (LR-TRA)Kategorisiert. Die Ergebnisse waren das Gesamtüberleben (OS), das progressionsfreie Überleben (PFS) und die Zeit zur Progression (TTP). Die verwendeten Statistiken enthielten Fisher's genaue Test, ein <i>t</i>-Test, den Mann-Whitney-U Test und eine Kaplan-Meier-Analyse. Die Median OS, PFS und TTP waren bei Patienten nach iBT (26.3, 9.1 und 13.0 Monaten) höher als nach cTACE/iBT (23.3, 7.6 und 9.2 Monaten). <b>Ergebnisse:</b> Die Enhance-basierten Kriterien identifizierten mehr Beantworter und prognostizierten PFS und TTP besser im Vergleich zu den größenbasierten Kriterien. In zwei Monaten zeigten die cTACE/iBT-Ansprecher eine verbesserte PFS (mRECIST und EASL: 11.3 vs. 2.3 und 11.0 vs. 2.3, <i>p</i> < 0.01) und TTP (mRECIST und EASL: 11.9 vs. 2.4 Monate, <i>p>/i> 0.01) durch die verbesserungsbasierten Kriterien. Eine EASL-Bewertung in fünf Monaten prognostizierte ein verbessertes Überleben sowohl nach cTACE/iBT (PFS: 11,9 vs. 5.1 Monate, <i>p</i> = 0,03; TTP: 12,4 vs. 5.0, <i>p</i> < 0.01) als auch nach iBT (11.1 vs. 5.1 Monate, <i>p>/i> = 0,04; 13,0 vs. Das LR-TRA zeigte für cTACE/iBT-Ansprecher fünf Monate OS-Leistungen. Größenbasierte Kriterien waren nicht prognostisch. <b>Ausschlüsse:</b> Die Verlängerung der Nachverfolgung nach dem iBT oder nach dem iBT/cTACE kann die Schichtung und Prognose der Befragten verbessern.
E. S,
L. B,
L. JA,
N. J and
P. T,
"Comparison of Multiple State-of-the-Art Large Language Models for Patient Education Prior to CT and MRI Examinations.",
Journal of personalized medicine,
Jun.
2025.
Abstract:
<b>Background/Objectives</b>: Diese Studie vergleicht die Genauigkeit der Antworten von hochmodernen Großsprachenmodellen (LLMs) auf Patientenfragen vor der CT- und MRT-Bildgebung. Wir wollen das Potenzial von LLMs bei der Verbesserung der Workflow-Effizienz demonstrieren und gleichzeitig Risiken wie Fehlinformationen hervorheben. <b>Methods>/b>: Es gab 57 CT-bezogene und 64 MRT-bezogene Patientenfragen an ChatGPT-4o, Claude 3.5 Sonnet, Google Gemini und Mistral Large 2. Jede Antwort wurde von zwei brettzertifizierten Radiologen bewertet und mit einer 5-Punkt-Skala für Genauigkeit/Korrektheit/Gewohnheit bewertet. Statistiken verglichen LLM-Leistungen in Fragekategorien. <b>Results</b>: ChatGPT-4o erreichte die höchsten durchschnittlichen Punkte für CT-bezogene Fragen und bindet mit Claude 3.5 Sonnet für MRT-bezogene Fragen, mit höheren Punkten über alle Modelle für MRT (ChatGPT-4o: CT [4.52 (± 0.46)], MRT: [4.79 (± 0.37)]; Google Gemini: CT [4.44] Mindestens eine Antwort pro LLM wurde als ungenau bewertet, wobei Google Gemini am häufigsten potenziell irreführend beantwortet (in 5,26% für CT und 2,34% für MRT). Mistral Large 2 wurde von ChatGPT-4o für alle CT-bezogenen Fragen (<i>p>/i> < 0.001) und von ChatGPT-4o (<i>p</i> = 0.003), Google Gemini (<i>p>/i> = 0.022) und Claude 3.5 Sonnet (<i>p>/i> = 0.004) für alle CT Contrast Medieninformationsfragen überholt. <b>Ausschlüsse </b>: Obwohl alle LLMs insgesamt gut durchgeführt und großes Potenzial für die Patientenerziehung zeigte, zeigte jedes Modell gelegentlich potenziell irreführende Informationen, was das klinische Anwendungsrisiko hervorhebt.
| DOI: | 10.3390/jpm15060235 |
Abstract:
<b>Background/Objectives</b>: Diese Studie vergleicht die Genauigkeit der Antworten von hochmodernen Großsprachenmodellen (LLMs) auf Patientenfragen vor der CT- und MRT-Bildgebung. Wir wollen das Potenzial von LLMs bei der Verbesserung der Workflow-Effizienz demonstrieren und gleichzeitig Risiken wie Fehlinformationen hervorheben. <b>Methods>/b>: Es gab 57 CT-bezogene und 64 MRT-bezogene Patientenfragen an ChatGPT-4o, Claude 3.5 Sonnet, Google Gemini und Mistral Large 2. Jede Antwort wurde von zwei brettzertifizierten Radiologen bewertet und mit einer 5-Punkt-Skala für Genauigkeit/Korrektheit/Gewohnheit bewertet. Statistiken verglichen LLM-Leistungen in Fragekategorien. <b>Results</b>: ChatGPT-4o erreichte die höchsten durchschnittlichen Punkte für CT-bezogene Fragen und bindet mit Claude 3.5 Sonnet für MRT-bezogene Fragen, mit höheren Punkten über alle Modelle für MRT (ChatGPT-4o: CT [4.52 (± 0.46)], MRT: [4.79 (± 0.37)]; Google Gemini: CT [4.44] Mindestens eine Antwort pro LLM wurde als ungenau bewertet, wobei Google Gemini am häufigsten potenziell irreführend beantwortet (in 5,26% für CT und 2,34% für MRT). Mistral Large 2 wurde von ChatGPT-4o für alle CT-bezogenen Fragen (<i>p>/i> < 0.001) und von ChatGPT-4o (<i>p</i> = 0.003), Google Gemini (<i>p>/i> = 0.022) und Claude 3.5 Sonnet (<i>p>/i> = 0.004) für alle CT Contrast Medieninformationsfragen überholt. <b>Ausschlüsse </b>: Obwohl alle LLMs insgesamt gut durchgeführt und großes Potenzial für die Patientenerziehung zeigte, zeigte jedes Modell gelegentlich potenziell irreführende Informationen, was das klinische Anwendungsrisiko hervorhebt.
G. M,
Z. S,
R. S,
T. Y,
G. FT,
M. AW,
R. P,
B. J,
M. M,
R. D,
L. F,
B. E and
B. R,
"CT-Derived Quantitative Image Features Predict Neoadjuvant Treatment Response in Adenocarcinoma of the Gastroesophageal Junction with High Accuracy.",
Cancers,
Jan.
2025.
Abstract:
Ziel dieser retrospektiven Studie war es, den Wert der kontrastverstärkten berechneten Tomographie (CE-CT) Bildmerkmale an der Basislinie und nach der neoadjuvanten Chemotherapie bei der Vorhersage histopathologischer Reaktionen bei Patienten mit Adenokarzinom der gastroesophagealen Verbindung (GEJ) zu bewerten. Insgesamt 105 Patienten mit einer Diagnose des Adenokarzinoms des GEJ wurden von CE-CT an der Basislinie untersucht und nach der Neoadjuvant Chemotherapie präoperativen. Alle Patienten unterzogen chirurgische Resektion. Histopathologische Parameter und Tumorregressionsstufen nach Becker et al. wurden bei 93 Patienten gesammelt. Mit ImageJ wurden Linienprofile der primären Tumorfläche in Basis- und präoperativen CE-CT generiert. Maximale Tumordichte und Tumor-zu-Wanddichte Delta wurden berechnet und mit der histopathologischen Tumorantwort korreliert. Darüber hinaus wurde die Tumorantwort nach Standard-RECIST-Messungen bei allen Patienten und durch Endoskopie bei 72 Patienten bewertet. Die Baseline und die Änderung der Basislinie auf präoperative CE-CT-Parameter zeigten keine signifikanten Unterschiede zwischen den Befragten (Becker-Grade 1a, 1b) und Nicht-Antragern (Becker-Grade 2, 3). Nach der Neoadjuvant-Therapie zeigten die Befragten und Nicht-Antrager signifikante Unterschiede in der maximalen Dichte und der Tumor-zu-Wanddichte Delta-Werte. Linienprofilmessungen zeigten eine ausgezeichnete Inter-Rater-Vereinbarung. Im Vergleich dazu zeigten weder RECIST noch Endoskopie signifikante Unterschiede zwischen diesen Gruppen. Nachbehandlung CE-CT kann histopathologische Therapiereaktion auf Neoadjuvantbehandlung im Adenokarzinom von GEJ-Patienten mit hoher Genauigkeit vorhersagen und so das Patientenmanagement verbessern.
| DOI: | 10.3390/cancers17020216 |
Abstract:
Ziel dieser retrospektiven Studie war es, den Wert der kontrastverstärkten berechneten Tomographie (CE-CT) Bildmerkmale an der Basislinie und nach der neoadjuvanten Chemotherapie bei der Vorhersage histopathologischer Reaktionen bei Patienten mit Adenokarzinom der gastroesophagealen Verbindung (GEJ) zu bewerten. Insgesamt 105 Patienten mit einer Diagnose des Adenokarzinoms des GEJ wurden von CE-CT an der Basislinie untersucht und nach der Neoadjuvant Chemotherapie präoperativen. Alle Patienten unterzogen chirurgische Resektion. Histopathologische Parameter und Tumorregressionsstufen nach Becker et al. wurden bei 93 Patienten gesammelt. Mit ImageJ wurden Linienprofile der primären Tumorfläche in Basis- und präoperativen CE-CT generiert. Maximale Tumordichte und Tumor-zu-Wanddichte Delta wurden berechnet und mit der histopathologischen Tumorantwort korreliert. Darüber hinaus wurde die Tumorantwort nach Standard-RECIST-Messungen bei allen Patienten und durch Endoskopie bei 72 Patienten bewertet. Die Baseline und die Änderung der Basislinie auf präoperative CE-CT-Parameter zeigten keine signifikanten Unterschiede zwischen den Befragten (Becker-Grade 1a, 1b) und Nicht-Antragern (Becker-Grade 2, 3). Nach der Neoadjuvant-Therapie zeigten die Befragten und Nicht-Antrager signifikante Unterschiede in der maximalen Dichte und der Tumor-zu-Wanddichte Delta-Werte. Linienprofilmessungen zeigten eine ausgezeichnete Inter-Rater-Vereinbarung. Im Vergleich dazu zeigten weder RECIST noch Endoskopie signifikante Unterschiede zwischen diesen Gruppen. Nachbehandlung CE-CT kann histopathologische Therapiereaktion auf Neoadjuvantbehandlung im Adenokarzinom von GEJ-Patienten mit hoher Genauigkeit vorhersagen und so das Patientenmanagement verbessern.
R. M,
H. L,
S. C,
H. F and
K. J,
"De-identification of medical imaging data: a comprehensive tool for ensuring patient privacy.",
European radiology,
Dez.
2025.
Abstract:
Medizinische Bildgebungsdaten, die in der Forschung verwendet werden, umfassen häufig sensible geschützte Gesundheitsinformationen (PHI) und personenbezogene identifizierbare Informationen (PII), die strengen Rechtsrahmen wie die Datenschutz-Grundverordnung (DSGVO) oder das Health Insurance Portability and Accountability Act (HIPAA) unterliegen. Daher müssen diese Datentypen vor der Nutzung de-identifiziert werden, was für viele Forscher eine große Herausforderung darstellt. Angesichts der Vielzahl von medizinischen Bildgebungsdaten ist es notwendig, eine Vielzahl von Entschlüsselungstechniken einzusetzen. Um den Ent-Identifizierungsprozess für medizinische Bildgebungsdaten zu erleichtern, haben wir ein Open-Source-Tool entwickelt, mit dem Digital Imaging and Communications in Medicine (DICOM) Magnetresonanzbilder, Computertomographie-Bilder, ganze Dia-Bilder und Magnetresonanz-Twix-Rohdaten identifiziert werden können. Ferner ermöglicht die Implementierung eines neuronalen Netzes die Entfernung von Text innerhalb der Bilder. Das vorgeschlagene Tool erreicht vergleichbare Ergebnisse mit aktuellen hochmodernen Algorithmen zu reduzierter Rechenzeit (bis zu × 265). Das Tool schafft es auch, Bilddaten verschiedener Typen wie Neuroimaging Informatics Technology Initiative (NIfTI) oder Whole Slide Image (WSI-)DICOMS vollständig zu identifizieren. Das vorgeschlagene Tool automatisiert eine aufwendige Ent-Identifikations-Pipeline für mehrere Arten von Eingaben, wodurch die Notwendigkeit zusätzlicher Werkzeuge zur De-Identifizierung von Abbildungsdaten reduziert wird. Frage Wie können Forscher sensible medizinische Bildgebungsdaten effektiv entschlüsseln und dabei Rechtsrahmen zum Schutz von Patientengesundheitsinformationen einhalten? Ergebnisse Wir entwickelten ein Open-Source-Tool, das die De-Identifizierung verschiedener medizinischer Bildgebungsformate automatisiert und die Effizienz von De-Identifizierungsprozessen verbessert. Klinische Relevanz Dieses Tool befasst sich mit dem kritischen Bedarf an robusten und benutzerfreundlichen De-Identifikationslösungen in der medizinischen Bildgebung, wodurch der Datenaustausch in der Forschung und der Schutz der Patienten Privatsphäre erleichtert wird.
| DOI: | 10.1007/s00330-025-11695-x |
Abstract:
Medizinische Bildgebungsdaten, die in der Forschung verwendet werden, umfassen häufig sensible geschützte Gesundheitsinformationen (PHI) und personenbezogene identifizierbare Informationen (PII), die strengen Rechtsrahmen wie die Datenschutz-Grundverordnung (DSGVO) oder das Health Insurance Portability and Accountability Act (HIPAA) unterliegen. Daher müssen diese Datentypen vor der Nutzung de-identifiziert werden, was für viele Forscher eine große Herausforderung darstellt. Angesichts der Vielzahl von medizinischen Bildgebungsdaten ist es notwendig, eine Vielzahl von Entschlüsselungstechniken einzusetzen. Um den Ent-Identifizierungsprozess für medizinische Bildgebungsdaten zu erleichtern, haben wir ein Open-Source-Tool entwickelt, mit dem Digital Imaging and Communications in Medicine (DICOM) Magnetresonanzbilder, Computertomographie-Bilder, ganze Dia-Bilder und Magnetresonanz-Twix-Rohdaten identifiziert werden können. Ferner ermöglicht die Implementierung eines neuronalen Netzes die Entfernung von Text innerhalb der Bilder. Das vorgeschlagene Tool erreicht vergleichbare Ergebnisse mit aktuellen hochmodernen Algorithmen zu reduzierter Rechenzeit (bis zu × 265). Das Tool schafft es auch, Bilddaten verschiedener Typen wie Neuroimaging Informatics Technology Initiative (NIfTI) oder Whole Slide Image (WSI-)DICOMS vollständig zu identifizieren. Das vorgeschlagene Tool automatisiert eine aufwendige Ent-Identifikations-Pipeline für mehrere Arten von Eingaben, wodurch die Notwendigkeit zusätzlicher Werkzeuge zur De-Identifizierung von Abbildungsdaten reduziert wird. Frage Wie können Forscher sensible medizinische Bildgebungsdaten effektiv entschlüsseln und dabei Rechtsrahmen zum Schutz von Patientengesundheitsinformationen einhalten? Ergebnisse Wir entwickelten ein Open-Source-Tool, das die De-Identifizierung verschiedener medizinischer Bildgebungsformate automatisiert und die Effizienz von De-Identifizierungsprozessen verbessert. Klinische Relevanz Dieses Tool befasst sich mit dem kritischen Bedarf an robusten und benutzerfreundlichen De-Identifikationslösungen in der medizinischen Bildgebung, wodurch der Datenaustausch in der Forschung und der Schutz der Patienten Privatsphäre erleichtert wird.
T. Q,
M. J,
N. L,
N. MD,
L. MH,
P. T,
H. S,
P. R,
H. B,
G. D,
W. M and
W. TC,
"Deep learning enabled near-isotropic CAIPIRINHA VIBE in the nephrogenic phase improves image quality and renal lesion conspicuity.",
European journal of radiology open,
Jun.
2025.
Abstract:
Das Deep Learning (DL) beschleunigte kontrollierte Aliasing in paralleler Bildgebung führt zu einer höheren Beschleunigung (CAIPIRINHA)-volumetrisch interpolierte Atemhalteprüfung (VIBE), die eine hohe räumliche Auflösung T1-gewichtete Bildgebung des oberen Bauches ermöglicht. Wir wollten untersuchen, ob DL-CAIPIRINHA-VIBE die Bildqualität, die Gefäßvermutung und die Lesionsnachweisbarkeit im Vergleich zu einem Standard CAIPIRINHA-VIBE in der Nierenbildgebung bei 3 Tesla verbessern kann. In dieser prospektiven Studie wurden 50 Patienten mit 23 soliden und 45 cystischen Nierenläsionen mit klinischen MR-Sequenzen, einschließlich Standard-CAIPIRINHA-VIBE und DL-CAIPIRINHA-VIBE-Sequenzen in der nephrographischen Phase bei 3 Tesla, MRT entwickelt. Zwei erfahrene Radiologen bewerteten unabhängig sowohl Sequenzen als auch multiplanare Rekonstruktionen (MPR) der sagittalen und koronalen Ebenen für Bildqualität mit einem Likert-Skala von 1 bis 5 (5 = Best). Quantitative Messungen einschließlich der Größe der größten Läsions- und Nierenläsionenkontrastverhältnisse wurden ausgewertet. DL-CAIPIRINHA-VIBE im Vergleich zu Standard CAIPIRINHA-VIBE zeigte deutlich verbesserte Gesamtbildqualität, höhere Noten für Nierenrandabgrenzung, Nierensünden, Gefäße, Nebennieren, reduzierte Bewegungsartefakte und reduzierte wahrgenommene Geräusche in nephrographischen Phasenbildern (alle p < 0,001). DL-CAIPIRINHA-VIBE mit MPR zeigte im Vergleich zu Standard CAIPIRINHA-VIBE ein überlegenes Missionsvertrauen und Diagnosevertrauen. DL-CAIPIRINHA-VIBE präsentierte jedoch ein synthetischeres Erscheinungsbild und unter anderem Artefakte (p < 0,023). Die mittlere Größe und Signalintensität von Nierenläsionen für DL-CAIPIRINHA-VIBE ergab keine signifikanten Unterschiede im Vergleich zu Standard CAIPIRINHA-VIBE (p > 0,9). DL-CAIPIRINHA-VIBE ist gut geeignet für die Nierenbildgebung in der nephrographischen Phase, bietet eine gute Bildqualität, verbesserte Abgrenzung anatomischer Strukturen und Nierenläsionen.
| DOI: | 10.1016/j.ejro.2024.100622 |
Abstract:
Das Deep Learning (DL) beschleunigte kontrollierte Aliasing in paralleler Bildgebung führt zu einer höheren Beschleunigung (CAIPIRINHA)-volumetrisch interpolierte Atemhalteprüfung (VIBE), die eine hohe räumliche Auflösung T1-gewichtete Bildgebung des oberen Bauches ermöglicht. Wir wollten untersuchen, ob DL-CAIPIRINHA-VIBE die Bildqualität, die Gefäßvermutung und die Lesionsnachweisbarkeit im Vergleich zu einem Standard CAIPIRINHA-VIBE in der Nierenbildgebung bei 3 Tesla verbessern kann. In dieser prospektiven Studie wurden 50 Patienten mit 23 soliden und 45 cystischen Nierenläsionen mit klinischen MR-Sequenzen, einschließlich Standard-CAIPIRINHA-VIBE und DL-CAIPIRINHA-VIBE-Sequenzen in der nephrographischen Phase bei 3 Tesla, MRT entwickelt. Zwei erfahrene Radiologen bewerteten unabhängig sowohl Sequenzen als auch multiplanare Rekonstruktionen (MPR) der sagittalen und koronalen Ebenen für Bildqualität mit einem Likert-Skala von 1 bis 5 (5 = Best). Quantitative Messungen einschließlich der Größe der größten Läsions- und Nierenläsionenkontrastverhältnisse wurden ausgewertet. DL-CAIPIRINHA-VIBE im Vergleich zu Standard CAIPIRINHA-VIBE zeigte deutlich verbesserte Gesamtbildqualität, höhere Noten für Nierenrandabgrenzung, Nierensünden, Gefäße, Nebennieren, reduzierte Bewegungsartefakte und reduzierte wahrgenommene Geräusche in nephrographischen Phasenbildern (alle p < 0,001). DL-CAIPIRINHA-VIBE mit MPR zeigte im Vergleich zu Standard CAIPIRINHA-VIBE ein überlegenes Missionsvertrauen und Diagnosevertrauen. DL-CAIPIRINHA-VIBE präsentierte jedoch ein synthetischeres Erscheinungsbild und unter anderem Artefakte (p < 0,023). Die mittlere Größe und Signalintensität von Nierenläsionen für DL-CAIPIRINHA-VIBE ergab keine signifikanten Unterschiede im Vergleich zu Standard CAIPIRINHA-VIBE (p > 0,9). DL-CAIPIRINHA-VIBE ist gut geeignet für die Nierenbildgebung in der nephrographischen Phase, bietet eine gute Bildqualität, verbesserte Abgrenzung anatomischer Strukturen und Nierenläsionen.
W. T,
H. B,
H. JC,
E. S. R,
K. B,
P. I,
B,
U. C,
B. MA,
V. P,
D. J,
M. KH and
W. T,
"Enhancing deep learning methods for brain metastasis detection through cross-technique annotations on SPACE MRI.",
European radiology experimental,
Feb.
2025.
Abstract:
Gadolinium-verstärkte "Sampling Perfection mit anwendungsoptimierten Kontrasten mit unterschiedlicher Flip-Winkel-Entwicklung" (SPACE)-Sequenz ermöglicht eine bessere Visualisierung von Hirnmetastasen (BMs) im Vergleich zu "magnetisierungsvorbereiteten schnellen Akquisitionsgradientenecho" (MPRAGE). Wir vermuten, dass diese bessere Vermutung zu einer qualitativ hochwertigen Annotation (HAQ) führt, die den tiefen Lernalgorithmus (DL) von BMs auf MPRAGE-Bildern verbessert. Es wurden retrospektive kontrastverstärkte (gadobutrol 0.1 mmol/kg) SPACE- und MPRAGE-Daten von 157 Patienten mit BM verwendet, die entweder auf MPRAGE notiert wurden, was zu einer normalen Annotationsqualität (NAQ) oder auf koregiertem SPACE führt, was zu HAQ führt. Mehrere DL-Methoden wurden mit NAQ oder HAQ unter Verwendung von SPACE- oder MRPAGE-Bildern entwickelt und auf ihrer Nachweisleistung mit positivem Vorhersagewert (PPV), Sensitivität und F1-Score und auf ihrer Abgrenzungsleistung mit volumetrischen Dice Ähnlichkeitskoeffizienten, PPV und Empfindlichkeit auf einem internen und vier zusätzlichen Testdatensätzen (660 Patienten) ausgewertet. Das SPACE-HAQ Modell erreichte 0,978 PPV, 0,882 Empfindlichkeit und 0,916 F1-Score. Die MPRAGE-HAQ erreichte 0,867, 0,839 und 0,840, die MPRAGE NAQ 0.964, 0.667 bzw. 0.798 (p ≥ 0.157). Die MPRAGE-HAQ F1-Score-Erkennung erhöhte sich gegenüber MPRAGE-NAQ auf allen zusätzlichen Testdatensätzen um 2,5-9,6 Punkte (p < 0,016) und die Empfindlichkeit verbesserte sich an drei Datensätzen um 4,6-8,5 Punkte (p < 0,001). Darüber hinaus verbesserte sich die volumetrische Instanzempfindlichkeit um 3,6-7,6 Punkte (p < 0,001). HAQ verbessert DL-Methoden ohne spezialisierte Bildgebung während der Anwendungszeit. HAQ allein erreicht etwa 40% der Leistungsverbesserungen, die mit SPACE-Bildern als Eingabe gesehen werden, was eine schnelle und genaue, vollautomatische Erkennung von kleinen (< 1 cm) BMs ermöglicht. Die mit der SPACE-Sequenz erstellte Ausbildung mit hochwertigen Annotationen verbessert die Erkennungs- und Delineationsempfindlichkeit von DL-Methoden zur Detektion von Hirnmetastasen (BMs) auf MPRAGE-Bildern. Dieses MRI Cross-Technique Transfer Lernen ist ein vielversprechender Weg, um die diagnostische Leistung zu erhöhen. Die Delineierung kleiner BMs auf SPACE MRI-Sequenz führt zu höheren Qualitätsannotationen als auf der MPRAGE-Sequenz aufgrund erhöhter Vermutung. Durch die Verwendung von Cross-Technique Boden Wahrheits-Annotationen während der Ausbildung verbesserte die Genauigkeit von DL-Modellen bei der Erkennung und Segmentierung von BMs. Cross-Technique-Annotation kann DL-Modelle verbessern, indem die Vorteile von spezialisierten, zeitintensiven MRT-Sequenzen integriert werden, während sie sich nicht auf sie verlassen. Eine weitere Validierung in prospektiven Studien ist erforderlich.
| DOI: | 10.1186/s41747-025-00554-5 |
Abstract:
Gadolinium-verstärkte "Sampling Perfection mit anwendungsoptimierten Kontrasten mit unterschiedlicher Flip-Winkel-Entwicklung" (SPACE)-Sequenz ermöglicht eine bessere Visualisierung von Hirnmetastasen (BMs) im Vergleich zu "magnetisierungsvorbereiteten schnellen Akquisitionsgradientenecho" (MPRAGE). Wir vermuten, dass diese bessere Vermutung zu einer qualitativ hochwertigen Annotation (HAQ) führt, die den tiefen Lernalgorithmus (DL) von BMs auf MPRAGE-Bildern verbessert. Es wurden retrospektive kontrastverstärkte (gadobutrol 0.1 mmol/kg) SPACE- und MPRAGE-Daten von 157 Patienten mit BM verwendet, die entweder auf MPRAGE notiert wurden, was zu einer normalen Annotationsqualität (NAQ) oder auf koregiertem SPACE führt, was zu HAQ führt. Mehrere DL-Methoden wurden mit NAQ oder HAQ unter Verwendung von SPACE- oder MRPAGE-Bildern entwickelt und auf ihrer Nachweisleistung mit positivem Vorhersagewert (PPV), Sensitivität und F1-Score und auf ihrer Abgrenzungsleistung mit volumetrischen Dice Ähnlichkeitskoeffizienten, PPV und Empfindlichkeit auf einem internen und vier zusätzlichen Testdatensätzen (660 Patienten) ausgewertet. Das SPACE-HAQ Modell erreichte 0,978 PPV, 0,882 Empfindlichkeit und 0,916 F1-Score. Die MPRAGE-HAQ erreichte 0,867, 0,839 und 0,840, die MPRAGE NAQ 0.964, 0.667 bzw. 0.798 (p ≥ 0.157). Die MPRAGE-HAQ F1-Score-Erkennung erhöhte sich gegenüber MPRAGE-NAQ auf allen zusätzlichen Testdatensätzen um 2,5-9,6 Punkte (p < 0,016) und die Empfindlichkeit verbesserte sich an drei Datensätzen um 4,6-8,5 Punkte (p < 0,001). Darüber hinaus verbesserte sich die volumetrische Instanzempfindlichkeit um 3,6-7,6 Punkte (p < 0,001). HAQ verbessert DL-Methoden ohne spezialisierte Bildgebung während der Anwendungszeit. HAQ allein erreicht etwa 40% der Leistungsverbesserungen, die mit SPACE-Bildern als Eingabe gesehen werden, was eine schnelle und genaue, vollautomatische Erkennung von kleinen (< 1 cm) BMs ermöglicht. Die mit der SPACE-Sequenz erstellte Ausbildung mit hochwertigen Annotationen verbessert die Erkennungs- und Delineationsempfindlichkeit von DL-Methoden zur Detektion von Hirnmetastasen (BMs) auf MPRAGE-Bildern. Dieses MRI Cross-Technique Transfer Lernen ist ein vielversprechender Weg, um die diagnostische Leistung zu erhöhen. Die Delineierung kleiner BMs auf SPACE MRI-Sequenz führt zu höheren Qualitätsannotationen als auf der MPRAGE-Sequenz aufgrund erhöhter Vermutung. Durch die Verwendung von Cross-Technique Boden Wahrheits-Annotationen während der Ausbildung verbesserte die Genauigkeit von DL-Modellen bei der Erkennung und Segmentierung von BMs. Cross-Technique-Annotation kann DL-Modelle verbessern, indem die Vorteile von spezialisierten, zeitintensiven MRT-Sequenzen integriert werden, während sie sich nicht auf sie verlassen. Eine weitere Validierung in prospektiven Studien ist erforderlich.
W. S,
R. L,
W. SJ,
G. R,
S. IG,
P. G,
P. T,
P. M,
W. CJ,
W. J,
E. M,
F. WP,
G. S,
P. R,
L. FE,
B. TD and
P. AR,
"ESUR: Opportunities for PSMA-PET/CT and whole-body MRI in advanced prostate cancer.",
European radiology,
Nov.
2025.
Abstract:
Prostataspezifische Membran-Antigen (PSMA) Positronen-Emissionstomographie (PET) berechnete Tomographie (CT) und Ganzkörper-Magnetresonanz-Bildgebung (WB-MRI) sind der herkömmlichen CT- und Knochenscan-Bildgebung überlegen, um metastasierende Krankheit bei Patienten mit Prostatakrebs zu erkennen. Während diese höherakustischen Bildgebungsverfahren bereits das Potenzial zur Verbesserung der Patientenergebnisse gezeigt haben, ist ein gründliches Verständnis der Beziehung zwischen der Behandlungslandschaft und dem Krankheitsvolumen bei konventioneller Bildgebung sowie der prognostischen Bedeutung der prostataspezifischen Antigenantwort entscheidend, um festzustellen, wie sie effektiver eingebunden werden können. Prospektive klinische Studien sind erforderlich, um zu bewerten, ob PSMA-PET/CT und WB-MRI durch präzise Therapieanpassungen klinisch relevante Endpunkte für Patienten wirklich verbessern können. In diesem Beitrag erforschen wir die spezifischen Möglichkeiten von PSMA-PET/CT und WB-MRI als Biomarker in mehreren klinischen Bereichen, einschließlich Metastasis-Erkennung und -Stufe, Krankheitscharakterisierung und Aggressivitätsbewertungen, Biopsiezielauswahl, Auswirkungen auf die Behandlungsplanung, Bewertung der therapeutischen Reaktion und Theranostik. Wir unterstreichen die zentralen Forschungsfragen, die Aufmerksamkeit erfordern. KEY POINTS: Frage Können PSMA-PET/CT und WB-MRI, mit ihrer überlegenen Fähigkeit, Metastasen in Prostatakrebs zu erkennen, wirklich verbessern Patientenergebnisse? Das Finden von hochgenauer Bildgebung verbessert die Metastasenerkennung, Inszenierung, Bewertung von Krankheitsarmut und ermöglicht eine personalisierte Behandlungsplanung für fortgeschrittene Prostatakrebspatienten. Klinische Relevanz PSMA-PET/CT und WB-MRI haben das Potenzial, das Management von Männern mit fortgeschrittenem Prostatakrebs zu verändern, aber prospektive klinische Studien sind erforderlich, um die Vorteile für das Überleben oder die Lebensqualität zu bestätigen, bevor man die Routinenutzung empfiehlt.
| DOI: | 10.1007/s00330-025-12089-9 |
Abstract:
Prostataspezifische Membran-Antigen (PSMA) Positronen-Emissionstomographie (PET) berechnete Tomographie (CT) und Ganzkörper-Magnetresonanz-Bildgebung (WB-MRI) sind der herkömmlichen CT- und Knochenscan-Bildgebung überlegen, um metastasierende Krankheit bei Patienten mit Prostatakrebs zu erkennen. Während diese höherakustischen Bildgebungsverfahren bereits das Potenzial zur Verbesserung der Patientenergebnisse gezeigt haben, ist ein gründliches Verständnis der Beziehung zwischen der Behandlungslandschaft und dem Krankheitsvolumen bei konventioneller Bildgebung sowie der prognostischen Bedeutung der prostataspezifischen Antigenantwort entscheidend, um festzustellen, wie sie effektiver eingebunden werden können. Prospektive klinische Studien sind erforderlich, um zu bewerten, ob PSMA-PET/CT und WB-MRI durch präzise Therapieanpassungen klinisch relevante Endpunkte für Patienten wirklich verbessern können. In diesem Beitrag erforschen wir die spezifischen Möglichkeiten von PSMA-PET/CT und WB-MRI als Biomarker in mehreren klinischen Bereichen, einschließlich Metastasis-Erkennung und -Stufe, Krankheitscharakterisierung und Aggressivitätsbewertungen, Biopsiezielauswahl, Auswirkungen auf die Behandlungsplanung, Bewertung der therapeutischen Reaktion und Theranostik. Wir unterstreichen die zentralen Forschungsfragen, die Aufmerksamkeit erfordern. KEY POINTS: Frage Können PSMA-PET/CT und WB-MRI, mit ihrer überlegenen Fähigkeit, Metastasen in Prostatakrebs zu erkennen, wirklich verbessern Patientenergebnisse? Das Finden von hochgenauer Bildgebung verbessert die Metastasenerkennung, Inszenierung, Bewertung von Krankheitsarmut und ermöglicht eine personalisierte Behandlungsplanung für fortgeschrittene Prostatakrebspatienten. Klinische Relevanz PSMA-PET/CT und WB-MRI haben das Potenzial, das Management von Männern mit fortgeschrittenem Prostatakrebs zu verändern, aber prospektive klinische Studien sind erforderlich, um die Vorteile für das Überleben oder die Lebensqualität zu bestätigen, bevor man die Routinenutzung empfiehlt.
K. MD,
R. C,
K. M,
H. W,
B. TJ,
F. M,
H. J,
O. M,
S. M,
N. F,
B. K and
H. R,
"Exploration of Fully-Automated Body Composition Analysis Using Routine CT-Staging of Lung Cancer Patients for Survival Prognosis.",
Journal of cachexia, sarcopenia and muscle,
Aug.
2025.
Abstract:
KI-getriebene automatisierte Körperzusammensetzungsanalyse (BCA) kann quantitative prognostische Biomarker liefern, die von Routine-Instrumenten CTs abgeleitet werden. Diese zweizentige Studie wertet den prognostischen Wert dieser volumetrischen Marker für das Gesamtüberleben bei Lungenkrebspatienten aus. Lungenkrebs-Kohorten aus Krankenhaus A (n = 3345, mittleres Alter 65, 86% NSCLC, 40% M1, 40% weiblich) und B (n = 1364, mittleres Alter 66, 87% NSCLC, 37% M1, 38% weiblich) wurde automatisiert BCA von Bauch CTs ±60 Tage Primärdiagnose. Ein tiefes Lernnetzwerk segmentierte Muskel-, Knochen- und Fettgewebe (visceral = VAT, subkutan = SAT, intra-/intermuskulär = IMAT und total = TAT) um drei Marker abzuleiten: Sarcopenia Index (SI = Muskel/Bone), Myosteatotic Fat Index (MFI = IMAT/TAT) und Abdominal Fat Index (AFI = VAT/SAT). Kaplan-Meier Überlebensanalyse, Cox Proportional Gefahren Modellierung und maschinell lernbasierte Überlebensprognose wurden durchgeführt. Ein Überlebensmodell einschließlich klinischer Daten (BMI, ECOG, L3-SMI, -SATI, -VATI und -IMATI) wurde auf Hospital A-Daten installiert und auf Hospital B-Daten validiert. In nichtmetastatischem NSCLC prognostizierte High SI ein längeres Überleben in den Zentren für Männer (Hauptstadt A: 24.6 vs. 46,0 Monate; Krankenhaus B: 13,3 vs. 28,9 Monate; beide p < 0,001) und Frauen (Hauptstadt A: 37,9 vs. 53,6 Monate, p = 0,008; Krankenhaus B: 23,0 vs. 28,6 Monate, p = 0,018). Bei Männern in beiden Krankenhäusern (Krankenhaus A: 43,7 vs. 28,2 Monate; Krankenhaus B: 28,8 vs. 14,3 Monate; beides p ≤ 0,001) zeigte aber zentrumsabhängige Wirkungen bei Frauen (bedeutend nur im Krankenhaus A, p < 0,01). Bei der metastasierenden Krankheit blieb SI für Männer in beiden Zentren prognostiziert (p < 0,05), während MFI nur im Krankenhaus A (p ≤ 0,001) und AFI nur im Krankenhaus B (p = 0,042) signifikant war. Multivariate Cox Regression bestätigte, dass höhere SI Schutz war (A: HR 0.53, B: 0.59, p ≤ 0.001), während MFI mit kürzerem Überleben verbunden war (A: HR 1.31, B: 1.12, p < 0.01). Das auf den Daten des Krankenhauses A geschulte multivariate Überlebensmodell zeigte eine prognostische Differenzierung von Gruppen in interner (n = 209, p ≤ 0,001) und externer (Hospital B, n = 361, p = 0,044) Validierung, wobei SI-Eigenschaft (0.037) unter ECOG (0.082) und M-Status (0.078) steht, übertrifft alle anderen Merkmale, einschließlich herkömmlicher L3-Single-Slice-Messungen. CT-basierte volumetrische BCA bietet prognostische Biomarker bei Lungenkrebs mit unterschiedlicher Bedeutung durch Sex, Krankheitsstadium und Zentrum. SI war der stärkste prognostische Marker, übertrifft konventionelle L3-basierte Messungen, während fettbedingte Marker unterschiedliche Assoziationen zeigten. Unser Multivariate-Modell legt nahe, dass BCA-Marker, insbesondere SI, die Risikoschichtung bei Lungenkrebs, bis zur zentrischen und sexspezifischen Validierung verbessern können. Die Integration dieser Marker in klinische Workflows könnte eine personalisierte Betreuung und gezielte Eingriffe für risikoreiche Patienten ermöglichen.
| DOI: | 10.1002/jcsm.70021 |
Abstract:
KI-getriebene automatisierte Körperzusammensetzungsanalyse (BCA) kann quantitative prognostische Biomarker liefern, die von Routine-Instrumenten CTs abgeleitet werden. Diese zweizentige Studie wertet den prognostischen Wert dieser volumetrischen Marker für das Gesamtüberleben bei Lungenkrebspatienten aus. Lungenkrebs-Kohorten aus Krankenhaus A (n = 3345, mittleres Alter 65, 86% NSCLC, 40% M1, 40% weiblich) und B (n = 1364, mittleres Alter 66, 87% NSCLC, 37% M1, 38% weiblich) wurde automatisiert BCA von Bauch CTs ±60 Tage Primärdiagnose. Ein tiefes Lernnetzwerk segmentierte Muskel-, Knochen- und Fettgewebe (visceral = VAT, subkutan = SAT, intra-/intermuskulär = IMAT und total = TAT) um drei Marker abzuleiten: Sarcopenia Index (SI = Muskel/Bone), Myosteatotic Fat Index (MFI = IMAT/TAT) und Abdominal Fat Index (AFI = VAT/SAT). Kaplan-Meier Überlebensanalyse, Cox Proportional Gefahren Modellierung und maschinell lernbasierte Überlebensprognose wurden durchgeführt. Ein Überlebensmodell einschließlich klinischer Daten (BMI, ECOG, L3-SMI, -SATI, -VATI und -IMATI) wurde auf Hospital A-Daten installiert und auf Hospital B-Daten validiert. In nichtmetastatischem NSCLC prognostizierte High SI ein längeres Überleben in den Zentren für Männer (Hauptstadt A: 24.6 vs. 46,0 Monate; Krankenhaus B: 13,3 vs. 28,9 Monate; beide p < 0,001) und Frauen (Hauptstadt A: 37,9 vs. 53,6 Monate, p = 0,008; Krankenhaus B: 23,0 vs. 28,6 Monate, p = 0,018). Bei Männern in beiden Krankenhäusern (Krankenhaus A: 43,7 vs. 28,2 Monate; Krankenhaus B: 28,8 vs. 14,3 Monate; beides p ≤ 0,001) zeigte aber zentrumsabhängige Wirkungen bei Frauen (bedeutend nur im Krankenhaus A, p < 0,01). Bei der metastasierenden Krankheit blieb SI für Männer in beiden Zentren prognostiziert (p < 0,05), während MFI nur im Krankenhaus A (p ≤ 0,001) und AFI nur im Krankenhaus B (p = 0,042) signifikant war. Multivariate Cox Regression bestätigte, dass höhere SI Schutz war (A: HR 0.53, B: 0.59, p ≤ 0.001), während MFI mit kürzerem Überleben verbunden war (A: HR 1.31, B: 1.12, p < 0.01). Das auf den Daten des Krankenhauses A geschulte multivariate Überlebensmodell zeigte eine prognostische Differenzierung von Gruppen in interner (n = 209, p ≤ 0,001) und externer (Hospital B, n = 361, p = 0,044) Validierung, wobei SI-Eigenschaft (0.037) unter ECOG (0.082) und M-Status (0.078) steht, übertrifft alle anderen Merkmale, einschließlich herkömmlicher L3-Single-Slice-Messungen. CT-basierte volumetrische BCA bietet prognostische Biomarker bei Lungenkrebs mit unterschiedlicher Bedeutung durch Sex, Krankheitsstadium und Zentrum. SI war der stärkste prognostische Marker, übertrifft konventionelle L3-basierte Messungen, während fettbedingte Marker unterschiedliche Assoziationen zeigten. Unser Multivariate-Modell legt nahe, dass BCA-Marker, insbesondere SI, die Risikoschichtung bei Lungenkrebs, bis zur zentrischen und sexspezifischen Validierung verbessern können. Die Integration dieser Marker in klinische Workflows könnte eine personalisierte Betreuung und gezielte Eingriffe für risikoreiche Patienten ermöglichen.
B. S,
K. JS,
S. V,
N. M,
S. I,
R. SO,
K. F,
B. L,
O. E,
K. T,
Z. H,
H. VS,
H. M,
A. F,
K. M,
Z. U,
K. O,
S. B,
B. V,
B. S,
M,
E. U,
B. E,
B. B,
R. C,
R. J,
W. B,
S. D,
S. H,
P. P,
B. M,
K. F,
D. V,
M. M,
U. P,
W. J,
K. K,
S. M,
V. I,
T. D,
K. HA,
S. N,
I. B,
B. S,
M. U,
H. J,
K. MC,
T. H and
H. B,
"External validation of a multiple sclerosis treatment decision score using data from the ProVal-MS cohort study.",
Therapeutic advances in neurological disorders,
2025.
Abstract:
Der Verlauf der relapsing-remittierenden multiplen Sklerose (RRMS), häufig vor dem klinisch isolierten Syndrom (CIS), ist variabel und schwierig zu prognostizieren. Bei vielen verfügbaren Behandlungsoptionen gewinnen prognostische Algorithmen an Bedeutung bei der Unterrichtung von ersten Behandlungsentscheidungen. Bisher gibt es jedoch nur wenige extern validierte. Eine externe Validierung, die die Anwendung eines Modells auf unabhängige Daten beinhaltet, ist unerlässlich. Datenschutz-erhaltende föderierte Analysen einzelner Daten ermöglichen eine externe Validierung mithilfe von klinischen Datensätzen, die typischerweise schwer zugänglich sind. Mit Daten aus der ProVal-MS-Studie zur externen Validierung des Multiple Sklerose-Behandlungs-Entscheidungs-Scores (MS-TDS), einem prädiktiven Algorithmus für frühe RRMS und CIS. Die MS-TDS prognostiziert die Wahrscheinlichkeit des Auftretens von mindestens einer neuen oder erweiterten T2 Läsion innerhalb von 6-24 Monaten nach Beginn der Erkrankung und unterstützt die Wahl zwischen der Einleitung der Plattformbehandlung oder einem "Warte-and-see" Ansatz. Ein sekundäres Ziel ist es, die Durchführbarkeit von datenschutzorientierten Konzepten im Konsortium Data Integration for Future Medicine (DIFUTURE) zu demonstrieren. Prospektive, multizentrische, nicht-interventionelle Kohortenstudie (ProVal-MS) innerhalb von DIFUTURE. Die kalibrierte MS-TDS wurde mit dem Bereich unter der Empfänger-Betriebskennlinie (AUROC) und dem Brier-Score in beiden gepoolten und verteilten Einstellungen ausgewertet. Eine Entscheidungskurvenanalyse (DCA) wurde verwendet, um den Nettonutzen von Behandlungsentscheidungen zu bewerten, die von der MS-TDS im Vergleich zu den durch die Behandlung von Neurologen getroffenen getroffen wurden. Von den 271 Personen, die mit CIS oder frühen RRMS diagnostiziert wurden, erhielten 202 (78,2%) Plattformbehandlung, während 59 (21,8%) keine Behandlung erhielten. Das AUROC betrug 0,561 (95% CI: 0,492-0,630) in der gebündelten Analyse und 0,567 (95% CI: 0,496-0,634) in der verteilten Analyse. Die DCA hat einen Nettovorteil gezeigt, der mit dem Ergebnis von Entscheidungen von erfahrenen Neurologen in Einklang steht. Die externe Validierung der MS-TDS zeigte eine geringe, nicht signifikante Vorhersageleistung; sie kann jedoch als nützliche Ergänzung dienen, insbesondere für weniger erfahrene Neurologen. Die verteilte Validierung wurde sowohl durchführbar als auch konform zu den Datenschutzbestimmungen gefunden.
| DOI: | 10.1177/17562864251391095 |
Abstract:
Der Verlauf der relapsing-remittierenden multiplen Sklerose (RRMS), häufig vor dem klinisch isolierten Syndrom (CIS), ist variabel und schwierig zu prognostizieren. Bei vielen verfügbaren Behandlungsoptionen gewinnen prognostische Algorithmen an Bedeutung bei der Unterrichtung von ersten Behandlungsentscheidungen. Bisher gibt es jedoch nur wenige extern validierte. Eine externe Validierung, die die Anwendung eines Modells auf unabhängige Daten beinhaltet, ist unerlässlich. Datenschutz-erhaltende föderierte Analysen einzelner Daten ermöglichen eine externe Validierung mithilfe von klinischen Datensätzen, die typischerweise schwer zugänglich sind. Mit Daten aus der ProVal-MS-Studie zur externen Validierung des Multiple Sklerose-Behandlungs-Entscheidungs-Scores (MS-TDS), einem prädiktiven Algorithmus für frühe RRMS und CIS. Die MS-TDS prognostiziert die Wahrscheinlichkeit des Auftretens von mindestens einer neuen oder erweiterten T2 Läsion innerhalb von 6-24 Monaten nach Beginn der Erkrankung und unterstützt die Wahl zwischen der Einleitung der Plattformbehandlung oder einem "Warte-and-see" Ansatz. Ein sekundäres Ziel ist es, die Durchführbarkeit von datenschutzorientierten Konzepten im Konsortium Data Integration for Future Medicine (DIFUTURE) zu demonstrieren. Prospektive, multizentrische, nicht-interventionelle Kohortenstudie (ProVal-MS) innerhalb von DIFUTURE. Die kalibrierte MS-TDS wurde mit dem Bereich unter der Empfänger-Betriebskennlinie (AUROC) und dem Brier-Score in beiden gepoolten und verteilten Einstellungen ausgewertet. Eine Entscheidungskurvenanalyse (DCA) wurde verwendet, um den Nettonutzen von Behandlungsentscheidungen zu bewerten, die von der MS-TDS im Vergleich zu den durch die Behandlung von Neurologen getroffenen getroffen wurden. Von den 271 Personen, die mit CIS oder frühen RRMS diagnostiziert wurden, erhielten 202 (78,2%) Plattformbehandlung, während 59 (21,8%) keine Behandlung erhielten. Das AUROC betrug 0,561 (95% CI: 0,492-0,630) in der gebündelten Analyse und 0,567 (95% CI: 0,496-0,634) in der verteilten Analyse. Die DCA hat einen Nettovorteil gezeigt, der mit dem Ergebnis von Entscheidungen von erfahrenen Neurologen in Einklang steht. Die externe Validierung der MS-TDS zeigte eine geringe, nicht signifikante Vorhersageleistung; sie kann jedoch als nützliche Ergänzung dienen, insbesondere für weniger erfahrene Neurologen. Die verteilte Validierung wurde sowohl durchführbar als auch konform zu den Datenschutzbestimmungen gefunden.
S. S,
M. B,
T. O,
R. M,
D. L,
M. S,
S. R,
S. S,
I. M,
B. S,
B. G,
S. P,
L. K,
H. P,
SMN and
D. M,
"Impact of sarcopenia and obesity on mortality in older adults with SARS-CoV-2 infection: automated deep learning body composition analysis in the NAPKON-SUEP cohort.",
Infection,
Okt.
2025.
Abstract:
Schwere Atemwegsinfektionen stellen eine große Herausforderung in der klinischen Praxis dar, vor allem bei älteren Erwachsenen. Die Analyse der Körperzusammensetzung könnte eine entscheidende Rolle bei der Risikobewertung und der therapeutischen Entscheidungsfindung spielen. Diese Studie untersucht, ob Adipositas oder Sarkoopenie einen größeren Einfluss auf die Mortalität bei Patienten mit schweren Atemwegsinfektionen hat. Die Studie konzentriert sich auf die Kohorte National Pandemic Cohort Network (NAPKON-SUEP), die Patienten über 60 Jahre mit bestätigter schwerer COVID-19-Pneumonie umfasst. Ein innovativer Ansatz wurde angenommen, mit vortrainierten Tiefenlernmodellen zur automatisierten Analyse der Körperzusammensetzung auf Basis von Routine-Torakic-CT-Scans. Die Studie umfasste 157 Krankenhauspatienten (mittleres Alter 70 ± 8 Jahre, 41% Frauen, Mortalitätsrate 39%) aus der NAPKON-SUEP Kohorte an 57 Studienplätzen. Ein vortrainiertes Tiefenlernmodell wurde verwendet, um Körperzusammensetzung (Muskel, Knochen, Fett und intramuskuläre Fettvolumina) aus thorakalen CT-Bildern des NAPKON-SUEP Kohorts zu analysieren. Binäre logistische Regression wurde durchgeführt, um den Zusammenhang zwischen Fettleibigkeit, Sarkoopenie und Mortalität zu untersuchen. Nicht-Überlebende zeigten ein geringeres Muskelvolumen (p = 0,043), ein höheres intramuskuläres Fettvolumen (p = 0,041) und ein höheres BMI (p = 0,031) im Vergleich zu Überlebenden. Unter allen Körperzusammensetzungsparametern war das auf das Gewicht eingestellte Muskelvolumen der stärkste Mortalitätsvorhersage im logistischen Regressionsmodell, auch nach der Anpassung an Faktoren wie Geschlecht, Alter, Diabetes, chronische Lungenerkrankungen und chronische Nierenerkrankungen (Dosisverhältnis = 0,516). Im Gegensatz dazu zeigte BMI nach der Anpassung an Komorbiditäten keine signifikanten Unterschiede. Diese Studie identifiziert das Muskelvolumen, das von Routine-CT-Scans abgeleitet wird, als Hauptvorhersage des Überlebens bei Patienten mit schweren Atemwegsinfektionen. Die Ergebnisse unterstreichen das Potenzial von AI unterstützten CT-basierten Körperzusammensetzungsanalysen zur Risikoschichtung und klinischen Entscheidungsfindung, nicht nur für COVID-19 Patienten, sondern auch für alle Patienten über 60 Jahre mit schweren akuten Atemwegsinfektionen. Die innovative Anwendung vortrainierter Tiefenlernmodelle eröffnet neue Möglichkeiten zur automatisierten und standardisierten Bewertung in der klinischen Praxis.
| DOI: | 10.1007/s15010-025-02555-3 |
Abstract:
Schwere Atemwegsinfektionen stellen eine große Herausforderung in der klinischen Praxis dar, vor allem bei älteren Erwachsenen. Die Analyse der Körperzusammensetzung könnte eine entscheidende Rolle bei der Risikobewertung und der therapeutischen Entscheidungsfindung spielen. Diese Studie untersucht, ob Adipositas oder Sarkoopenie einen größeren Einfluss auf die Mortalität bei Patienten mit schweren Atemwegsinfektionen hat. Die Studie konzentriert sich auf die Kohorte National Pandemic Cohort Network (NAPKON-SUEP), die Patienten über 60 Jahre mit bestätigter schwerer COVID-19-Pneumonie umfasst. Ein innovativer Ansatz wurde angenommen, mit vortrainierten Tiefenlernmodellen zur automatisierten Analyse der Körperzusammensetzung auf Basis von Routine-Torakic-CT-Scans. Die Studie umfasste 157 Krankenhauspatienten (mittleres Alter 70 ± 8 Jahre, 41% Frauen, Mortalitätsrate 39%) aus der NAPKON-SUEP Kohorte an 57 Studienplätzen. Ein vortrainiertes Tiefenlernmodell wurde verwendet, um Körperzusammensetzung (Muskel, Knochen, Fett und intramuskuläre Fettvolumina) aus thorakalen CT-Bildern des NAPKON-SUEP Kohorts zu analysieren. Binäre logistische Regression wurde durchgeführt, um den Zusammenhang zwischen Fettleibigkeit, Sarkoopenie und Mortalität zu untersuchen. Nicht-Überlebende zeigten ein geringeres Muskelvolumen (p = 0,043), ein höheres intramuskuläres Fettvolumen (p = 0,041) und ein höheres BMI (p = 0,031) im Vergleich zu Überlebenden. Unter allen Körperzusammensetzungsparametern war das auf das Gewicht eingestellte Muskelvolumen der stärkste Mortalitätsvorhersage im logistischen Regressionsmodell, auch nach der Anpassung an Faktoren wie Geschlecht, Alter, Diabetes, chronische Lungenerkrankungen und chronische Nierenerkrankungen (Dosisverhältnis = 0,516). Im Gegensatz dazu zeigte BMI nach der Anpassung an Komorbiditäten keine signifikanten Unterschiede. Diese Studie identifiziert das Muskelvolumen, das von Routine-CT-Scans abgeleitet wird, als Hauptvorhersage des Überlebens bei Patienten mit schweren Atemwegsinfektionen. Die Ergebnisse unterstreichen das Potenzial von AI unterstützten CT-basierten Körperzusammensetzungsanalysen zur Risikoschichtung und klinischen Entscheidungsfindung, nicht nur für COVID-19 Patienten, sondern auch für alle Patienten über 60 Jahre mit schweren akuten Atemwegsinfektionen. Die innovative Anwendung vortrainierter Tiefenlernmodelle eröffnet neue Möglichkeiten zur automatisierten und standardisierten Bewertung in der klinischen Praxis.
L. B,
E. S,
L. WM,
S. D,
S. R,
N. J and
P. T,
"Large language models for patient education prior to interventional radiology procedures: a comparative study.",
CVIR endovascular,
Okt.
2025.
Abstract:
Diese Studie untersucht vier große Sprachmodelle (LLMs) in der Lage, häufige Patientenfragen vor der transarteriellen periartikulären Embolisierung (TAPE), der berechneten Tomographie (CT)-geführten High-Dosis-Rate (HDR) Brachytherapie und der Blutomycinelektrotherapie (BEST) zu beantworten. Ziel ist es, ihr Potenzial zur Verbesserung der klinischen Arbeitsabläufe und des Patientenverständnisses zu bewerten und gleichzeitig die damit verbundenen Risiken zu bewerten. Thirty-five TAPE, 34 CT-HDR Brachytherapie, und 36 BEST bezogene Fragen wurden an ChatGPT-4o, DeepSeek-V3, OpenBioLLM-8b und BioMistral-7b gestellt. Die LLM-generierten Reaktionen wurden unabhängig von zwei Board-zertifizierten Radiologen bewertet. Die Genauigkeit wurde auf einer 5-Punkt-Skala von Likert bewertet. Statistiken verglichen LLM-Leistungen in Fragekategorien für Patienten-Erziehungstauglichkeit. DeepSeek-V3 erreichte die höchsten Durchschnittswerte für BEST [4.49 (± 0.77)] und CT-HDR [4.24 (± 0.81)] und demonstrierte vergleichbare Performance mit ChatGPT-4o für TAPE-bezogene Fragen (DeepSeek-V3 [4.20 (± 0.77)] vs. ChatGPT-4o [4.17 (± 0.64)]; p = 1.000). Im Gegensatz dazu führten OpenBioLLM-8b (BEST 3.51 (± 1.15), CT-HDR 3.32 (± 1.13), TAPE 3.34 (± 1.16)) und BioMistral-7b (BEST 2.92 (± 1.35), CT-HDR 3.03 (± 1.06), TAPE 3.33 (± 1.28) deutlich schlechter aus als DeepSeek-V3 und ChatGPT-4o. Vorbereitung/Planung war die einzige Kategorie ohne statistisch signifikante Unterschiede in allen drei Verfahren. DeepSeek-V3 und ChatGPT-4o über TAPE, BEST und CT-HDR Brachytherapie-Fragen, die das Potenzial zur Verbesserung der Patientenausbildung in der interventionellen Radiologie angeben, wo komplexe aber minimalinvasive Verfahren oft in kurzen Konsultationen erklärt werden. Allerdings zeigten OpenBioLLM-8b und BioMistral-7b häufigere Ungenauigkeiten, was darauf hindeutete, dass LLMs noch keine umfassenden klinischen Konsultationen ersetzen kann. Patientenfeedback und klinische Workflow-Implementierung sollten diese Ergebnisse validieren.
| DOI: | 10.1186/s42155-025-00609-z |
Abstract:
Diese Studie untersucht vier große Sprachmodelle (LLMs) in der Lage, häufige Patientenfragen vor der transarteriellen periartikulären Embolisierung (TAPE), der berechneten Tomographie (CT)-geführten High-Dosis-Rate (HDR) Brachytherapie und der Blutomycinelektrotherapie (BEST) zu beantworten. Ziel ist es, ihr Potenzial zur Verbesserung der klinischen Arbeitsabläufe und des Patientenverständnisses zu bewerten und gleichzeitig die damit verbundenen Risiken zu bewerten. Thirty-five TAPE, 34 CT-HDR Brachytherapie, und 36 BEST bezogene Fragen wurden an ChatGPT-4o, DeepSeek-V3, OpenBioLLM-8b und BioMistral-7b gestellt. Die LLM-generierten Reaktionen wurden unabhängig von zwei Board-zertifizierten Radiologen bewertet. Die Genauigkeit wurde auf einer 5-Punkt-Skala von Likert bewertet. Statistiken verglichen LLM-Leistungen in Fragekategorien für Patienten-Erziehungstauglichkeit. DeepSeek-V3 erreichte die höchsten Durchschnittswerte für BEST [4.49 (± 0.77)] und CT-HDR [4.24 (± 0.81)] und demonstrierte vergleichbare Performance mit ChatGPT-4o für TAPE-bezogene Fragen (DeepSeek-V3 [4.20 (± 0.77)] vs. ChatGPT-4o [4.17 (± 0.64)]; p = 1.000). Im Gegensatz dazu führten OpenBioLLM-8b (BEST 3.51 (± 1.15), CT-HDR 3.32 (± 1.13), TAPE 3.34 (± 1.16)) und BioMistral-7b (BEST 2.92 (± 1.35), CT-HDR 3.03 (± 1.06), TAPE 3.33 (± 1.28) deutlich schlechter aus als DeepSeek-V3 und ChatGPT-4o. Vorbereitung/Planung war die einzige Kategorie ohne statistisch signifikante Unterschiede in allen drei Verfahren. DeepSeek-V3 und ChatGPT-4o über TAPE, BEST und CT-HDR Brachytherapie-Fragen, die das Potenzial zur Verbesserung der Patientenausbildung in der interventionellen Radiologie angeben, wo komplexe aber minimalinvasive Verfahren oft in kurzen Konsultationen erklärt werden. Allerdings zeigten OpenBioLLM-8b und BioMistral-7b häufigere Ungenauigkeiten, was darauf hindeutete, dass LLMs noch keine umfassenden klinischen Konsultationen ersetzen kann. Patientenfeedback und klinische Workflow-Implementierung sollten diese Ergebnisse validieren.
K. J,
H. R,
G. L,
F. P,
B. J,
Z. D,
L. KR,
O. OA,
L. S,
S. M,
M. D,
K. C,
P. T and
S. M,
"Large Language Models-Supported Thrombectomy Decision-Making in Acute Ischemic Stroke Based on Radiology Reports: Feasibility Qualitative Study.",
Journal of medical Internet research,
Feb.
2025.
Abstract:
Die neueste Weiterentwicklung der künstlichen Intelligenz (KI) ist ein generativer vortrainierter Transformator mit großen Sprachmodellen (LLMs). Sie wurden auf massive Textmengen geschult und ermöglichten menschliche und semantische Antworten auf textbasierte Eingaben und Anfragen. Das Potenzial solcher Werkzeuge für die medizinische Datenintegration und die klinische Entscheidungsfindung ist noch nicht klar. In dieser Studie untersuchen wir das Potenzial von LLMs in der berichtsbasierten medizinischen Entscheidungsfindung am Beispiel eines akuten ischämischen Schlaganfalls (AIS), wo klinische und bildbasierte Informationen einen unmittelbaren Bedarf an mechanischer Thrombektomie (MT) andeuten können. Ziel war es, die Durchführbarkeit der Integration von Radiologieberichtsdaten und anderen klinischen Informationen im Kontext der Therapieentscheidungsfindung mit LLMs zu klären. 100 Patienten mit AIS wurden rückwirkend aufgenommen, für die 50 % (50/100) für MT angegeben wurden, während die anderen 50 % (50/100) nicht waren. Der LLM wurde mit dem berechneten Tomographiebericht, Informationen über neurologische Symptome und das Alter der Patienten versorgt. Die Leistung des KI-Entscheidungsmodells wurde mit einem Expertenkonsens zur binären Bestimmung der MT-Indikation verglichen, für die Empfindlichkeit, Spezifität und Genauigkeit berechnet wurden. Das AI-Modell hatte eine Gesamtgenauigkeit von 88%, mit einer Spezifität von 96% und einer Empfindlichkeit von 80%. Der Bereich unter der Kurve für die berichtsbasierte MT-Entscheidung betrug 0,92. Die LLM erreichte vielversprechende Genauigkeit bei der Bestimmung der Förderfähigkeit von Patienten mit AIS für MT auf Basis von Radiologieberichten und klinischen Informationen. Unsere Ergebnisse unterstreichen das Potenzial von LLMs für die radiologische und medizinische Datenintegration. Diese Untersuchung sollte als Anreiz für weitere klinische Anwendungen von LLMs dienen, bei denen diese KI als verstärktes Unterstützungssystem für die menschliche Entscheidungsfindung verwendet werden sollte.
| DOI: | 10.2196/48328 |
Abstract:
Die neueste Weiterentwicklung der künstlichen Intelligenz (KI) ist ein generativer vortrainierter Transformator mit großen Sprachmodellen (LLMs). Sie wurden auf massive Textmengen geschult und ermöglichten menschliche und semantische Antworten auf textbasierte Eingaben und Anfragen. Das Potenzial solcher Werkzeuge für die medizinische Datenintegration und die klinische Entscheidungsfindung ist noch nicht klar. In dieser Studie untersuchen wir das Potenzial von LLMs in der berichtsbasierten medizinischen Entscheidungsfindung am Beispiel eines akuten ischämischen Schlaganfalls (AIS), wo klinische und bildbasierte Informationen einen unmittelbaren Bedarf an mechanischer Thrombektomie (MT) andeuten können. Ziel war es, die Durchführbarkeit der Integration von Radiologieberichtsdaten und anderen klinischen Informationen im Kontext der Therapieentscheidungsfindung mit LLMs zu klären. 100 Patienten mit AIS wurden rückwirkend aufgenommen, für die 50 % (50/100) für MT angegeben wurden, während die anderen 50 % (50/100) nicht waren. Der LLM wurde mit dem berechneten Tomographiebericht, Informationen über neurologische Symptome und das Alter der Patienten versorgt. Die Leistung des KI-Entscheidungsmodells wurde mit einem Expertenkonsens zur binären Bestimmung der MT-Indikation verglichen, für die Empfindlichkeit, Spezifität und Genauigkeit berechnet wurden. Das AI-Modell hatte eine Gesamtgenauigkeit von 88%, mit einer Spezifität von 96% und einer Empfindlichkeit von 80%. Der Bereich unter der Kurve für die berichtsbasierte MT-Entscheidung betrug 0,92. Die LLM erreichte vielversprechende Genauigkeit bei der Bestimmung der Förderfähigkeit von Patienten mit AIS für MT auf Basis von Radiologieberichten und klinischen Informationen. Unsere Ergebnisse unterstreichen das Potenzial von LLMs für die radiologische und medizinische Datenintegration. Diese Untersuchung sollte als Anreiz für weitere klinische Anwendungen von LLMs dienen, bei denen diese KI als verstärktes Unterstützungssystem für die menschliche Entscheidungsfindung verwendet werden sollte.
H. J,
M. C,
L. T,
T. N and
B. F,
"Long-term effects of SARS-CoV-2 infection and vaccination in a population-based pediatric cohort.",
Scientific reports,
Jan.
2025.
Abstract:
Während der Omicron-Welle der COVID-19 Pandemie und der verfügbaren SARS-CoV-2 Impfstoffe stiegen die Seroprevalenzraten bei Kindern und Jugendlichen. Diese Studie untersuchte die Auswirkungen von sowohl SARS-CoV-2 Infektionen als auch Impfungen auf das Auftreten von akuten und verlängerten Symptomen bei realen Bedingungen während des Übergangs von der Pandemie in die endemische Phase. Den Teilnehmern einer pädiatrischen Bevölkerungsanalyse (CorKID-Studie) folgten mindestens zwei und fast vier Jahre lang eine Untersuchung der gesundheitlichen Statusmerkmale und Symptome, die auf das post-COVID-Syndrom (PCS) hindeuten. In einer Untergruppe (n = 259) wurde die SARS-CoV-2 Antikörperserologie weiter untersucht. 789 Teilnehmer der ursprünglichen CorKID-Studienkohorte (n = 2.121; 37,2%) wurden einbezogen. 67,9% meldeten mindestens eine SARS-CoV2-Infektion. 46,6% hatten eine oder mehrere SARS-CoV-2 Impfungen erhalten. In der überwiegenden Mehrheit serologisch getesteter Teilnehmer wurden nach Infektion und/oder Impfung wieder Antikörper SARS-CoV-2 Spike (98,9%) oder Nucleocapsid (93,3%) Antigen nachgewiesen. Mindestens 30% erfahrene eine nicht erkannte SARS-CoV-2 Infektion. Der allgemeine Gesundheitsstatus war zwischen Kindern vergleichbar, unabhängig von SARS-CoV-2 Infektionen und ähnlich der vor-pandemischen Bewertung. Eine Untergruppe junger Jugendlicher zeigte jedoch einen Rückgang der körperlichen Leistung im Vergleich zu vor-pandemischen Bedingungen. Nach der Infektion bestanden PCS-ähnliche Symptome in 7% der Befragten für mehr als drei Monate und bis zu vier Jahre. SARS-CoV-2 geimpften Teilnehmern (47%) berichteten 12% weniger akute flu-ähnliche Infektionen außer SARS-CoV-2. Fast alle Teilnehmer entwickelten in dieser Längsstudie SARS-CoV-2 Antikörper entweder durch Impfung oder Infektion während der Omicron-Welle. Etwa 7 % der Teilnehmer litten unter PCS-Symptomen, überwiegend Müdigkeit und Erschöpfung. Darüber hinaus meldeten die Teilnehmer, die Impfungen gegen SARS-CoV-2 erhielten, bei der Folge eine geringere Häufigkeit akuter Infektionen.
| DOI: | 10.1038/s41598-024-84140-6 |
Abstract:
Während der Omicron-Welle der COVID-19 Pandemie und der verfügbaren SARS-CoV-2 Impfstoffe stiegen die Seroprevalenzraten bei Kindern und Jugendlichen. Diese Studie untersuchte die Auswirkungen von sowohl SARS-CoV-2 Infektionen als auch Impfungen auf das Auftreten von akuten und verlängerten Symptomen bei realen Bedingungen während des Übergangs von der Pandemie in die endemische Phase. Den Teilnehmern einer pädiatrischen Bevölkerungsanalyse (CorKID-Studie) folgten mindestens zwei und fast vier Jahre lang eine Untersuchung der gesundheitlichen Statusmerkmale und Symptome, die auf das post-COVID-Syndrom (PCS) hindeuten. In einer Untergruppe (n = 259) wurde die SARS-CoV-2 Antikörperserologie weiter untersucht. 789 Teilnehmer der ursprünglichen CorKID-Studienkohorte (n = 2.121; 37,2%) wurden einbezogen. 67,9% meldeten mindestens eine SARS-CoV2-Infektion. 46,6% hatten eine oder mehrere SARS-CoV-2 Impfungen erhalten. In der überwiegenden Mehrheit serologisch getesteter Teilnehmer wurden nach Infektion und/oder Impfung wieder Antikörper SARS-CoV-2 Spike (98,9%) oder Nucleocapsid (93,3%) Antigen nachgewiesen. Mindestens 30% erfahrene eine nicht erkannte SARS-CoV-2 Infektion. Der allgemeine Gesundheitsstatus war zwischen Kindern vergleichbar, unabhängig von SARS-CoV-2 Infektionen und ähnlich der vor-pandemischen Bewertung. Eine Untergruppe junger Jugendlicher zeigte jedoch einen Rückgang der körperlichen Leistung im Vergleich zu vor-pandemischen Bedingungen. Nach der Infektion bestanden PCS-ähnliche Symptome in 7% der Befragten für mehr als drei Monate und bis zu vier Jahre. SARS-CoV-2 geimpften Teilnehmern (47%) berichteten 12% weniger akute flu-ähnliche Infektionen außer SARS-CoV-2. Fast alle Teilnehmer entwickelten in dieser Längsstudie SARS-CoV-2 Antikörper entweder durch Impfung oder Infektion während der Omicron-Welle. Etwa 7 % der Teilnehmer litten unter PCS-Symptomen, überwiegend Müdigkeit und Erschöpfung. Darüber hinaus meldeten die Teilnehmer, die Impfungen gegen SARS-CoV-2 erhielten, bei der Folge eine geringere Häufigkeit akuter Infektionen.
H. S,
S. K,
J. M,
D. S,
K. S,
M. C,
S. J,
P. K,
P. J,
B. R,
B. F and
T. N,
"PaedVacCOVID - safety of the BNT162b2 vaccine against the SARS-CoV-2 in children with and without comorbidities aged 5 to 11 years.",
Infection,
Apr.
2025.
Abstract:
Über spezifische Sicherheitsaspekte bei Kindern mit signifikanten Komorbiditäten, die den mRNA-Impfstoff BNT162b2 erhalten, ist wenig bekannt, da Zulassungsstudien diese Population nicht ansprechen. Diese Studie dient der Bewertung von Sicherheit und negativen Ereignissen in diesen Kindern im Vergleich zu gesunden Kindern. In dieser prospektiven, multizentrischen, branchenunabhängigen Kohortenstudie wurden Pflegekräfte, deren Kinder BNT162b2 erhielten, gebeten, an einem Online-Fragebogen teilzunehmen. Mögliche Nebenwirkungen wurden in zehn organbezogenen Kategorien bewertet. Die Häufigkeit der Symptome wurde in beiden Kohorten durch bivariate Analyse verglichen. Aus insgesamt 1.294 Antworten auf den Fragebogen wurden 793 Datensätze in die Analyse einbezogen (179 Kinder mit Komorbiditäten und 614 gesunde Kinder). Antworten wurden in einer Median von 17 Tagen nach der Impfung gegeben. Insgesamt war die Sicherheit von BNT162b2 in beiden Kohorten hoch. Psychologisch (OR: 3.56, [95% CI: 1.461 bis 8.629]), pulmonal (OR: 7.14, [95% CI: 2.039 bis 21.48]), gastrointestinal (OR: 2.35, [95% CI: 1.231 bis 4.665]), neurologische (OR: 1.74, [95% CI: 1.078 bis 2.796]) und dermatologische (OR: 2.28, Die höhere Rate der gemeldeten post-vaccination Symptome könnte entweder auf eine höhere Anfälligkeit für symptomatische Effekte nach Immunstimulation oder aufgrund eines trainierten Bewusstseins für gesundheitsbezogene Symptome zurückzuführen sein. Die Daten unterstreichen die Bedeutung, die Sicherheit der neuen mRNA COVID-19 Impfstoffe nicht nur bei gesunden Kindern, sondern auch bei Kindern mit Komorbiditäten zu bewerten. Für pharmazeutische Unternehmen sollte eine solche Bewertung zwingend vorgeschrieben werden.
| DOI: | 10.1007/s15010-024-02427-2 |
Abstract:
Über spezifische Sicherheitsaspekte bei Kindern mit signifikanten Komorbiditäten, die den mRNA-Impfstoff BNT162b2 erhalten, ist wenig bekannt, da Zulassungsstudien diese Population nicht ansprechen. Diese Studie dient der Bewertung von Sicherheit und negativen Ereignissen in diesen Kindern im Vergleich zu gesunden Kindern. In dieser prospektiven, multizentrischen, branchenunabhängigen Kohortenstudie wurden Pflegekräfte, deren Kinder BNT162b2 erhielten, gebeten, an einem Online-Fragebogen teilzunehmen. Mögliche Nebenwirkungen wurden in zehn organbezogenen Kategorien bewertet. Die Häufigkeit der Symptome wurde in beiden Kohorten durch bivariate Analyse verglichen. Aus insgesamt 1.294 Antworten auf den Fragebogen wurden 793 Datensätze in die Analyse einbezogen (179 Kinder mit Komorbiditäten und 614 gesunde Kinder). Antworten wurden in einer Median von 17 Tagen nach der Impfung gegeben. Insgesamt war die Sicherheit von BNT162b2 in beiden Kohorten hoch. Psychologisch (OR: 3.56, [95% CI: 1.461 bis 8.629]), pulmonal (OR: 7.14, [95% CI: 2.039 bis 21.48]), gastrointestinal (OR: 2.35, [95% CI: 1.231 bis 4.665]), neurologische (OR: 1.74, [95% CI: 1.078 bis 2.796]) und dermatologische (OR: 2.28, Die höhere Rate der gemeldeten post-vaccination Symptome könnte entweder auf eine höhere Anfälligkeit für symptomatische Effekte nach Immunstimulation oder aufgrund eines trainierten Bewusstseins für gesundheitsbezogene Symptome zurückzuführen sein. Die Daten unterstreichen die Bedeutung, die Sicherheit der neuen mRNA COVID-19 Impfstoffe nicht nur bei gesunden Kindern, sondern auch bei Kindern mit Komorbiditäten zu bewerten. Für pharmazeutische Unternehmen sollte eine solche Bewertung zwingend vorgeschrieben werden.
F. P,
M. F,
Z. H,
M. D,
W. J,
M. D,
K. J,
S. R and
P. T,
"Performance of AI Approaches for COVID-19 Diagnosis Using Chest CT Scans: The Impact of Architecture and Dataset.",
RoFo : Fortschritte auf dem Gebiete der Rontgenstrahlen und der Nuklearmedizin,
Apr.
2025.
Abstract:
AI entsteht als vielversprechendes Werkzeug zur Diagnose von COVID-19 basierend auf Brust-CT-Scans. Ziel dieser Studie war der Vergleich von KI-Modellen zur COVID-19-Diagnostik. Daher haben wir: (1) mit einem großen, klinisch relevanten CT-Datensatz drei verschiedene KI-Modelle zur Klassifikation von COVID-19 und Nicht-COVID-19-Pneumonie (nCP) trainiert, (2) die Modellleistung mit einem unabhängigen Testsatz bewertet und (3) die Modelle sowohl algorithmisch als auch experimentell verglichen. In dieser multizentrischen Multi-Vendor-Studie haben wir n=1591 Brust-CT-Scans von COVID-19 (n=762) und nCP (n=829) Patienten aus China und Deutschland gesammelt. In Deutschland wurden die Daten von drei RACOON-Standorten erhoben. Wir trainierten und validierten drei COVID-19 AI-Modelle mit unterschiedlichen Architekturen: COVNet basierend auf 2D-CNN, DeCoVnet basierend auf 3D-CNN und AD3D-MIL basierend auf 3D-CNN mit Aufmerksamkeitsmodul. 991 CT-Scans wurden zur Ausbildung der KI-Modelle mit 5-facher Quervalidierung verwendet. Für unabhängige Tests wurden 600 CT-Scans aus 6 verschiedenen Zentren verwendet. Die Leistung der Modelle wurde mit Genauigkeit (Acc), Empfindlichkeit (Se) und Spezifität (Sp) bewertet. Die durchschnittliche Validierungsgenauigkeit der COVNet-, DeCoVnet- und AD3D-MIL-Modelle über die 5 Falten betrug 80,9%, 82,0% bzw. 84,3%. Auf dem unabhängigen Testsatz mit n=600 CT-Scans lieferte COVNet Acc=76.6%, Se=67.8%, Sp=85.7%; DeCoVnet lieferte Acc=75.1%, Se=61.2%, Sp=89.7%; und AD3D-MIL erreichten Acc=73.9%, Se=57.7%, Sp=90.8%. Die Klassifikationsleistung der bewerteten KI-Modelle ist nicht von der Architektur selbst stark abhängig. Unsere Ergebnisse zeigen eine hohe Spezifität und moderate Empfindlichkeit. Die KI-Klassifikationsmodelle sollten nicht unbeaufsichtigt verwendet werden, sondern könnten Radiologen bei der COVID-19 und der NCP-Identifizierung unterstützen. · Diese Studie vergleicht KI-Ansätze zur Diagnose von COVID-19 in Brust-CT-Scans, die für die weitere Optimierung der Versorgung von Gesundheits- und Pandemievorbereitungen unerlässlich sind. · Unsere Experimente mit einem multicenter, multi-vendor, diversen Datensatz zeigen, dass die Trainingsdaten der Schlüsselfaktor für die Bestimmung der diagnostischen Leistung sind. · Die KI-Modelle sollten nicht unübertroffen, sondern als Werkzeug zur Unterstützung von Radiologen verwendet werden. · Jaiswal A, Fervers P, Meng F et al. Performance von KI-Ansätzen für COVID-19-Diagnose mit Chest CT-Scans: Die Auswirkungen von Architektur und Datensatz. Rofo 2025; DOI 10.1055/a-2577-3928.
| DOI: | 10.1055/a-2577-3928 |
Abstract:
AI entsteht als vielversprechendes Werkzeug zur Diagnose von COVID-19 basierend auf Brust-CT-Scans. Ziel dieser Studie war der Vergleich von KI-Modellen zur COVID-19-Diagnostik. Daher haben wir: (1) mit einem großen, klinisch relevanten CT-Datensatz drei verschiedene KI-Modelle zur Klassifikation von COVID-19 und Nicht-COVID-19-Pneumonie (nCP) trainiert, (2) die Modellleistung mit einem unabhängigen Testsatz bewertet und (3) die Modelle sowohl algorithmisch als auch experimentell verglichen. In dieser multizentrischen Multi-Vendor-Studie haben wir n=1591 Brust-CT-Scans von COVID-19 (n=762) und nCP (n=829) Patienten aus China und Deutschland gesammelt. In Deutschland wurden die Daten von drei RACOON-Standorten erhoben. Wir trainierten und validierten drei COVID-19 AI-Modelle mit unterschiedlichen Architekturen: COVNet basierend auf 2D-CNN, DeCoVnet basierend auf 3D-CNN und AD3D-MIL basierend auf 3D-CNN mit Aufmerksamkeitsmodul. 991 CT-Scans wurden zur Ausbildung der KI-Modelle mit 5-facher Quervalidierung verwendet. Für unabhängige Tests wurden 600 CT-Scans aus 6 verschiedenen Zentren verwendet. Die Leistung der Modelle wurde mit Genauigkeit (Acc), Empfindlichkeit (Se) und Spezifität (Sp) bewertet. Die durchschnittliche Validierungsgenauigkeit der COVNet-, DeCoVnet- und AD3D-MIL-Modelle über die 5 Falten betrug 80,9%, 82,0% bzw. 84,3%. Auf dem unabhängigen Testsatz mit n=600 CT-Scans lieferte COVNet Acc=76.6%, Se=67.8%, Sp=85.7%; DeCoVnet lieferte Acc=75.1%, Se=61.2%, Sp=89.7%; und AD3D-MIL erreichten Acc=73.9%, Se=57.7%, Sp=90.8%. Die Klassifikationsleistung der bewerteten KI-Modelle ist nicht von der Architektur selbst stark abhängig. Unsere Ergebnisse zeigen eine hohe Spezifität und moderate Empfindlichkeit. Die KI-Klassifikationsmodelle sollten nicht unbeaufsichtigt verwendet werden, sondern könnten Radiologen bei der COVID-19 und der NCP-Identifizierung unterstützen. · Diese Studie vergleicht KI-Ansätze zur Diagnose von COVID-19 in Brust-CT-Scans, die für die weitere Optimierung der Versorgung von Gesundheits- und Pandemievorbereitungen unerlässlich sind. · Unsere Experimente mit einem multicenter, multi-vendor, diversen Datensatz zeigen, dass die Trainingsdaten der Schlüsselfaktor für die Bestimmung der diagnostischen Leistung sind. · Die KI-Modelle sollten nicht unübertroffen, sondern als Werkzeug zur Unterstützung von Radiologen verwendet werden. · Jaiswal A, Fervers P, Meng F et al. Performance von KI-Ansätzen für COVID-19-Diagnose mit Chest CT-Scans: Die Auswirkungen von Architektur und Datensatz. Rofo 2025; DOI 10.1055/a-2577-3928.
R. T,
H. AT,
M. C,
D. R,
K. R,
B. GMN,
B. P,
B. R,
D. CM,
G. K,
H. L,
H. O,
I. O,
K. M,
M. L,
N. M,
SN,
S. M,
S. Y,
S. D,
T. N,
T. N,
V. J,
W. WA,
V. MJGT and
B. F,
"Performance of whole blood interferon-γ release assays in SARS-CoV-2 and tuberculosis is age dependent.",
Infection,
Dez.
2025.
Abstract:
Viele Untersuchungen wurden durchgeführt, vor allem auf Tuberkulose (TB), inwieweit zellulärer Immunschutz gemäß Interferon-γ-Freisetzungs-Assays (IGRA) altersabhängig ist. In einer früheren Studie zeigten wir, dass nach einer Omicron-Infektion Jugendliche mit einer hybriden Immunität eine höhere Wahrscheinlichkeit hatten, eine reaktive SARS-CoV-2-spezifische IGRA als Kinder zu haben. Daher haben wir in einer großen Gruppe von Minderjährigen und Erwachsenen untersucht, ob das Alter die zelluläre Immunität gemäß IGRA in TB und SARS-CoV-2 beeinflusst. Zelluläre Immunität wurde mit SARS-CoV-2 und Tb-spezifischen IGRA und humoraler Immunität gegen SARS-CoV-2 durch Messung von Antikörpern gegen Spike (S) und Nukleocapsidprotein analysiert. Die Analyse erfolgte je nach natürlicher (konvaleszenter, nicht geimpfter) oder hybrider Immunität (konvaleszent und geimpft). Insgesamt wurden 1401 Erwachsene und 392 Minderjährige einbezogen. Die von T-Zellen freigesetzte Menge an Interferon-γ sowie die Wahrscheinlichkeit eines positiven SARS-CoV-2 IGRA (OR 1.022) und eines positiven Tb IGRA (OR 1.047) waren altersabhängig. Die Empfindlichkeit von SARS-CoV-2 IGRA in der natürlichen Immunität war in Minderjährigen (0,45), vor allem in den weniger als 5 Jahren (0,299) im Vergleich zu Erwachsenen (0,66). Die interferon-γ Reaktion auf SARS-CoV-2 Infektionen und/oder Impfungen und Tb-Infektionen gemäß IGRA ist in Qualität und Menge abhängig vom Alter. Die Sensitivität kommerziell erhältlicher Tests bei jungen Kindern scheint suboptimal zu sein, ihre Verwendung als Diagnose- oder Forschungsinstrument in dieser Altersgruppe einzuschränken.
| DOI: | 10.1007/s15010-025-02613-w |
Abstract:
Viele Untersuchungen wurden durchgeführt, vor allem auf Tuberkulose (TB), inwieweit zellulärer Immunschutz gemäß Interferon-γ-Freisetzungs-Assays (IGRA) altersabhängig ist. In einer früheren Studie zeigten wir, dass nach einer Omicron-Infektion Jugendliche mit einer hybriden Immunität eine höhere Wahrscheinlichkeit hatten, eine reaktive SARS-CoV-2-spezifische IGRA als Kinder zu haben. Daher haben wir in einer großen Gruppe von Minderjährigen und Erwachsenen untersucht, ob das Alter die zelluläre Immunität gemäß IGRA in TB und SARS-CoV-2 beeinflusst. Zelluläre Immunität wurde mit SARS-CoV-2 und Tb-spezifischen IGRA und humoraler Immunität gegen SARS-CoV-2 durch Messung von Antikörpern gegen Spike (S) und Nukleocapsidprotein analysiert. Die Analyse erfolgte je nach natürlicher (konvaleszenter, nicht geimpfter) oder hybrider Immunität (konvaleszent und geimpft). Insgesamt wurden 1401 Erwachsene und 392 Minderjährige einbezogen. Die von T-Zellen freigesetzte Menge an Interferon-γ sowie die Wahrscheinlichkeit eines positiven SARS-CoV-2 IGRA (OR 1.022) und eines positiven Tb IGRA (OR 1.047) waren altersabhängig. Die Empfindlichkeit von SARS-CoV-2 IGRA in der natürlichen Immunität war in Minderjährigen (0,45), vor allem in den weniger als 5 Jahren (0,299) im Vergleich zu Erwachsenen (0,66). Die interferon-γ Reaktion auf SARS-CoV-2 Infektionen und/oder Impfungen und Tb-Infektionen gemäß IGRA ist in Qualität und Menge abhängig vom Alter. Die Sensitivität kommerziell erhältlicher Tests bei jungen Kindern scheint suboptimal zu sein, ihre Verwendung als Diagnose- oder Forschungsinstrument in dieser Altersgruppe einzuschränken.
K. MB,
W. T,
E. M,
S. N,
E. J,
H. C,
P. C,
S. HO,
S. FJ,
S. RE,
H. G,
W. F,
H. S and
R. DM,
"Photon-counting Detector CT Enables Pediatric Low-dose Chest Imaging With Further Reduction of Radiation Exposure.",
Investigative radiology,
Sep.
2025.
Abstract:
Photon-counting-Detektor berechnete Tomographie (PCD CT) bietet eine höhere Dosiseffizienz als herkömmliche energieintegrierende Detektor CT (EID CT), was besonders für Kinder von Vorteil ist. Ein breiter Beweis fehlt, ob häufig erworbene pädiatrische Tiefdosis-Lungenbildgebung mit PCD CT weiter verbessert werden kann. Zum Vergleich der Strahlenexposition, quantitativer und qualitativer Bildqualität der pädiatrischen Tiefdosis Brust PCD CT gegen EID CT Untersuchungen. Unverstärkte, für klinische Indikationen erworbene, niederdosisarme PCD-CT- und EID-CT-Untersuchungen wurden rückwirkend verglichen. Kohorten wurden durch Wasseräquivalentdurchmesser (Dw) und Alter (n = 44 je; Medianalter 6,3 y PCD CT vs. 7,4 y EID CT) abgestimmt. Die Strahlenexposition wurde nach Volumen CT Dosisindex (CTDIvol), Dosislängenprodukt (DLP) und größenspezifische Dosisschätzung (SSDE) analysiert. Quantitative Bildqualitätsbeurteilung beinhaltete die Platzierung von interessierenden Bereichen (ROIs) in Lunge, Herz und Leber zur Extraktion von mittlerer Dämpfung, Rauschen, Signal-Rausch-Verhältnis (SNR), Kontrast-Rausch-Verhältnis (CNR) und Wertzahlen (FOMs). Qualitative Bildqualität wurde von 3 Lesern unter Verwendung von Likert-Skalen und zusätzlichen direkten Vergleichen blind bewertet. Gewicht, Höhe und Körpermasseindex (BMI) waren zwischen den 2 Kohorten (P>0.05) nicht signifikant verschieden. PCD-CT-Untersuchungen zeigten niedrigere mediane CTDIvol (0.27 vs. 0.39 mGy, P<0.0001), DLP (6.71 vs. 8.75 mGy*cm, P<0.0001), und SSDE (0.55 vs. 0.83 mGy, P<0.0001) im Vergleich zu EID CT. Qualitative Bewertung zeigte gleiche und insgesamt ausgezeichnete Ergebnisse für beide Kohorten. PCD CT ermöglicht die pädiatrische Tiefdosis-Brustbildgebung mit geringerer Strahlungsbelichtung bei ähnlicher Bildqualität im Vergleich zu EID CT.
| DOI: | 10.1097/RLI.0000000000001234 |
Abstract:
Photon-counting-Detektor berechnete Tomographie (PCD CT) bietet eine höhere Dosiseffizienz als herkömmliche energieintegrierende Detektor CT (EID CT), was besonders für Kinder von Vorteil ist. Ein breiter Beweis fehlt, ob häufig erworbene pädiatrische Tiefdosis-Lungenbildgebung mit PCD CT weiter verbessert werden kann. Zum Vergleich der Strahlenexposition, quantitativer und qualitativer Bildqualität der pädiatrischen Tiefdosis Brust PCD CT gegen EID CT Untersuchungen. Unverstärkte, für klinische Indikationen erworbene, niederdosisarme PCD-CT- und EID-CT-Untersuchungen wurden rückwirkend verglichen. Kohorten wurden durch Wasseräquivalentdurchmesser (Dw) und Alter (n = 44 je; Medianalter 6,3 y PCD CT vs. 7,4 y EID CT) abgestimmt. Die Strahlenexposition wurde nach Volumen CT Dosisindex (CTDIvol), Dosislängenprodukt (DLP) und größenspezifische Dosisschätzung (SSDE) analysiert. Quantitative Bildqualitätsbeurteilung beinhaltete die Platzierung von interessierenden Bereichen (ROIs) in Lunge, Herz und Leber zur Extraktion von mittlerer Dämpfung, Rauschen, Signal-Rausch-Verhältnis (SNR), Kontrast-Rausch-Verhältnis (CNR) und Wertzahlen (FOMs). Qualitative Bildqualität wurde von 3 Lesern unter Verwendung von Likert-Skalen und zusätzlichen direkten Vergleichen blind bewertet. Gewicht, Höhe und Körpermasseindex (BMI) waren zwischen den 2 Kohorten (P>0.05) nicht signifikant verschieden. PCD-CT-Untersuchungen zeigten niedrigere mediane CTDIvol (0.27 vs. 0.39 mGy, P<0.0001), DLP (6.71 vs. 8.75 mGy*cm, P<0.0001), und SSDE (0.55 vs. 0.83 mGy, P<0.0001) im Vergleich zu EID CT. Qualitative Bewertung zeigte gleiche und insgesamt ausgezeichnete Ergebnisse für beide Kohorten. PCD CT ermöglicht die pädiatrische Tiefdosis-Brustbildgebung mit geringerer Strahlungsbelichtung bei ähnlicher Bildqualität im Vergleich zu EID CT.
F. E,
E. C,
M. L,
E. T,
K. R,
S. M,
S. MJ,
F. MA,
M. D,
M. B,
G. S,
M. F,
S. H,
K. N,
R. DM,
L. N,
W. C,
M. MS,
S. L,
B. J and
M. HJ,
"Prognostic value of CT-defined coronary sclerosis in COVID-19: results of a multicenter study based on the Weston score.",
RoFo : Fortschritte auf dem Gebiete der Rontgenstrahlen und der Nuklearmedizin,
Mai
2025.
Abstract:
Koronare Berechnung, wie durch berechnete Tomographie (CT) definiert, kann mit einer Punktzahl (CAC-Score) quantifiziert werden. Es ist eine etablierte prognostische und prädiktive Abbildungsmarkierung des Herz-Kreislauf-Risikoprofils. Die prognostische Relevanz des CAC-Scores wurde bei akuten Erkrankungen, einschließlich der Coronavirus-Krankheit 2019 (COVID-19) in Vorstudien, nachgewiesen. Ziel der vorliegenden Studie war es, die prognostische Relevanz der CAC-Score bei Patienten mit Coronavirus-Krankheit 2019 zu beweisen. Die vorliegende Studie nutzte eine bundesweite radiologische Forschungsplattform, um eine multizentrische retrospektive Studie durchzuführen. Die Studie umfasste insgesamt 541 Patienten, davon 176 weiblich (32,5%). Das mittlere Alter der Patienten betrug 61,2 Jahre ± 15,6 Jahre. Die Coronavirus-Krankheit (SARS-COV-2) wurde bei allen Patienten durch PCR-Tests bestätigt. Die CAC-Score wurde mit der Weston-Score berechnet, die eine semiquantitative Methode ist. Das primäre Ergebnis der Studie war die 30-tägige Mortalität. Die Gesamtsterblichkeitsrate innerhalb der 30-Tage-Periode betrug 21,2%, 115 Patienten sterben. Die mittlere Weston-Score betrug 3,0 ± 3.6. 128 Patienten (23,7%) zeigten keinen Beweis für koronare Berechnungen, wie durch einen Weston-Score von 0 angedeutet. Bei der univariablen Regressionsanalyse wurde das Vorliegen von Kalkulationen mit dem Sterblichkeitsverhältnis von 1,68 (95 % Vertrauensintervall 1,08-2,59, p=0,01) assoziiert. Dieses Ergebnis blieb jedoch bei der multivariablen Analyse nicht statistisch signifikant (p=0,49). Die Weston-Score wurde bei der univariablen Analyse mit einem Quotenverhältnis (OR) von 1,10 (95% CI 1.04-1.14, p < 0,001) und in der multivariablen Analyse mit einem OR von 1,06 (95% CI 1.005-1.138, p = 0,036) assoziiert. Der bildgebende Marker CAC-Score wurde gezeigt, dass bei Patienten, die mit der Coronavirus-Krankheit 2019 diagnostiziert werden (COVID-19) signifikante prognostische Auswirkungen auf die 30-tägige Mortalität haben. Es obliegt dem Radiologen, die einzige Anwesenheit von koronaren Kalkulationen als ein relevanter prognostischer Faktor anzuerkennen. Die prognostische Relevanz der Berechnungen wurde in Fällen, in denen eine umfangreichere Kalkulation vorhanden war, größer. · Koronare Berechnungen, die von CT bewertet werden, sind prognostische Marker für 30-Tage COVID-19 Sterblichkeit. · Berechnungsmaß hat einen größeren prognostischen Wert als die bloße Anwesenheit von Kalkulationen.. · Die Studie unterstreicht die Notwendigkeit, koronare Berechnungen in klinische Risikopunkte zu integrieren.. · Bucher AM, Frodl E, Ehrengut C et al. Prognosewert der CT-definierten Koronarsklerose in COVID-19: Ergebnisse einer multizentrischen Studie basierend auf dem Weston-Score. Rofo 2025; DOI 10.1055/a-2583-0235.
| DOI: | 10.1055/a-2583-0235 |
Abstract:
Koronare Berechnung, wie durch berechnete Tomographie (CT) definiert, kann mit einer Punktzahl (CAC-Score) quantifiziert werden. Es ist eine etablierte prognostische und prädiktive Abbildungsmarkierung des Herz-Kreislauf-Risikoprofils. Die prognostische Relevanz des CAC-Scores wurde bei akuten Erkrankungen, einschließlich der Coronavirus-Krankheit 2019 (COVID-19) in Vorstudien, nachgewiesen. Ziel der vorliegenden Studie war es, die prognostische Relevanz der CAC-Score bei Patienten mit Coronavirus-Krankheit 2019 zu beweisen. Die vorliegende Studie nutzte eine bundesweite radiologische Forschungsplattform, um eine multizentrische retrospektive Studie durchzuführen. Die Studie umfasste insgesamt 541 Patienten, davon 176 weiblich (32,5%). Das mittlere Alter der Patienten betrug 61,2 Jahre ± 15,6 Jahre. Die Coronavirus-Krankheit (SARS-COV-2) wurde bei allen Patienten durch PCR-Tests bestätigt. Die CAC-Score wurde mit der Weston-Score berechnet, die eine semiquantitative Methode ist. Das primäre Ergebnis der Studie war die 30-tägige Mortalität. Die Gesamtsterblichkeitsrate innerhalb der 30-Tage-Periode betrug 21,2%, 115 Patienten sterben. Die mittlere Weston-Score betrug 3,0 ± 3.6. 128 Patienten (23,7%) zeigten keinen Beweis für koronare Berechnungen, wie durch einen Weston-Score von 0 angedeutet. Bei der univariablen Regressionsanalyse wurde das Vorliegen von Kalkulationen mit dem Sterblichkeitsverhältnis von 1,68 (95 % Vertrauensintervall 1,08-2,59, p=0,01) assoziiert. Dieses Ergebnis blieb jedoch bei der multivariablen Analyse nicht statistisch signifikant (p=0,49). Die Weston-Score wurde bei der univariablen Analyse mit einem Quotenverhältnis (OR) von 1,10 (95% CI 1.04-1.14, p < 0,001) und in der multivariablen Analyse mit einem OR von 1,06 (95% CI 1.005-1.138, p = 0,036) assoziiert. Der bildgebende Marker CAC-Score wurde gezeigt, dass bei Patienten, die mit der Coronavirus-Krankheit 2019 diagnostiziert werden (COVID-19) signifikante prognostische Auswirkungen auf die 30-tägige Mortalität haben. Es obliegt dem Radiologen, die einzige Anwesenheit von koronaren Kalkulationen als ein relevanter prognostischer Faktor anzuerkennen. Die prognostische Relevanz der Berechnungen wurde in Fällen, in denen eine umfangreichere Kalkulation vorhanden war, größer. · Koronare Berechnungen, die von CT bewertet werden, sind prognostische Marker für 30-Tage COVID-19 Sterblichkeit. · Berechnungsmaß hat einen größeren prognostischen Wert als die bloße Anwesenheit von Kalkulationen.. · Die Studie unterstreicht die Notwendigkeit, koronare Berechnungen in klinische Risikopunkte zu integrieren.. · Bucher AM, Frodl E, Ehrengut C et al. Prognosewert der CT-definierten Koronarsklerose in COVID-19: Ergebnisse einer multizentrischen Studie basierend auf dem Weston-Score. Rofo 2025; DOI 10.1055/a-2583-0235.
G. L,
L. CS,
R. T,
B. M and
G. M,
"Proto-Caps: interpretable medical image classification using prototype learning and privileged information.",
PeerJ. Computer science,
2025.
Abstract:
Erklärliche künstliche Intelligenz (xAI) wird immer wichtiger, da die Notwendigkeit des Verständnisses der Argumentation des Modells bei der Anwendung in Hochrisikobereichen wächst. Dies ist insbesondere im Bereich der Medizin von entscheidender Bedeutung, wenn Entscheidungsunterstützungssysteme zur Diagnose oder zur Bestimmung geeigneter Therapien eingesetzt werden. Hier ist es unerlässlich, intuitive und umfassende Erläuterungen zur Bewertung der Korrektheit des Systems bereitzustellen. Um diesem Bedarf gerecht zu werden, haben wir Proto-Caps entwickelt, ein eigens erklärbares Modell für die Bildklassifizierung. Es erklärt seine Entscheidungen durch die Bereitstellung von visuellen Prototypen, die bestimmten Erscheinungseigenschaften ähneln. Diese Eigenschaften werden vom Menschen vorgegeben, was sie einerseits verständlich macht und andererseits dazu führt, dass das Modell seine Entscheidung über die gleichen Merkmale wie der menschliche Experte trifft. Auf zwei öffentlichen Datensätzen zeigt diese Methode eine bessere Leistung im Vergleich zu bestehenden erklärenden Ansätzen, trotz der additiven Erklärbarkeitsmodalität durch die visuellen Prototypen. Neben den Leistungsbewertungen führten wir eine Analyse der Wahrhaftigkeit durch die Untersuchung der gemeinsamen Informationen zwischen der Zielvorhersage und deren Erklärungsausgabe durch. Dies wurde getan, um sicherzustellen, dass die Erklärung tatsächlich die Zielklassifikation begründet. Durch umfangreiche Hyperparameterstudien haben wir auch optimale Modelleinstellungen gefunden, was einen Ausgangspunkt für weitere Forschungen bietet. Unsere Arbeit betont die Perspektiven der Kombination von xAI-Ansätzen für eine größere Erklärbarkeit und zeigt, dass die Einbeziehung der Erklärbarkeit nicht unbedingt zu einem Verlust an Leistung führt.
| DOI: | 10.7717/peerj-cs.2908 |
Abstract:
Erklärliche künstliche Intelligenz (xAI) wird immer wichtiger, da die Notwendigkeit des Verständnisses der Argumentation des Modells bei der Anwendung in Hochrisikobereichen wächst. Dies ist insbesondere im Bereich der Medizin von entscheidender Bedeutung, wenn Entscheidungsunterstützungssysteme zur Diagnose oder zur Bestimmung geeigneter Therapien eingesetzt werden. Hier ist es unerlässlich, intuitive und umfassende Erläuterungen zur Bewertung der Korrektheit des Systems bereitzustellen. Um diesem Bedarf gerecht zu werden, haben wir Proto-Caps entwickelt, ein eigens erklärbares Modell für die Bildklassifizierung. Es erklärt seine Entscheidungen durch die Bereitstellung von visuellen Prototypen, die bestimmten Erscheinungseigenschaften ähneln. Diese Eigenschaften werden vom Menschen vorgegeben, was sie einerseits verständlich macht und andererseits dazu führt, dass das Modell seine Entscheidung über die gleichen Merkmale wie der menschliche Experte trifft. Auf zwei öffentlichen Datensätzen zeigt diese Methode eine bessere Leistung im Vergleich zu bestehenden erklärenden Ansätzen, trotz der additiven Erklärbarkeitsmodalität durch die visuellen Prototypen. Neben den Leistungsbewertungen führten wir eine Analyse der Wahrhaftigkeit durch die Untersuchung der gemeinsamen Informationen zwischen der Zielvorhersage und deren Erklärungsausgabe durch. Dies wurde getan, um sicherzustellen, dass die Erklärung tatsächlich die Zielklassifikation begründet. Durch umfangreiche Hyperparameterstudien haben wir auch optimale Modelleinstellungen gefunden, was einen Ausgangspunkt für weitere Forschungen bietet. Unsere Arbeit betont die Perspektiven der Kombination von xAI-Ansätzen für eine größere Erklärbarkeit und zeigt, dass die Einbeziehung der Erklärbarkeit nicht unbedingt zu einem Verlust an Leistung führt.
B. MR,
A. Ü,
D. S,
N. P,
Z. M,
F. E,
K. M,
K. NR,
N. M,
R. R,
B. M,
D. F,
O. M,
P. T,
K. J,
P. T,
M. K,
B. A and
B. R,
"Real-world federated learning in radiology: hurdles to overcome and benefits to gain.",
Journal of the American Medical Informatics Association : JAMIA,
Jan.
2025.
Abstract:
Federated Learning (FL) ermöglicht kollaboratives Modelltraining, während Daten lokal gespeichert werden. Derzeit werden die meisten FL-Studien in der Radiologie durch zahlreiche Hürden durchgeführt, die ihre Übersetzung in die Praxis behindern. Die wenigen bestehenden realen FL-Initiativen kommunizieren selten konkrete Maßnahmen, die ergriffen werden, um diese Hürden zu überwinden. Um diese bedeutende Wissenslücke zu überbrücken, schlagen wir einen umfassenden Leitfaden für reale FL in der Radiologie vor. Bei der Umsetzung von real-world FL gibt es keine umfassenden Bewertungen, die FL mit weniger komplexen Alternativen in anspruchsvollen real-world-Einstellungen vergleichen, die wir durch umfangreiche Benchmarking ansprechen. Wir haben unsere eigene FL-Infrastruktur im deutschen Radiologischen Kooperativen Netzwerk (RACOON) entwickelt und ihre Funktionalität durch Ausbildung von FL-Modellen auf Lungenpathologie-Segmentationsaufgaben in sechs Universitätskliniken demonstriert. Während der Gründung unserer FL-Initiative und der Durchführung der umfangreichen Benchmark-Experimente wurden Einblicke gesammelt und in den Leitfaden eingeordnet. Der vorgeschlagene Leitfaden beschreibt wesentliche Schritte, identifizierte Hürden und implementierte Lösungen für erfolgreiche FL-Initiativen, die Echtzeit-Experimente durchführen. Unsere experimentellen Ergebnisse beweisen die praktische Relevanz unseres Leitfadens und zeigen, dass FL weniger komplexe Alternativen in allen Bewertungsszenarien übertrifft. Unsere Ergebnisse rechtfertigen die Bemühungen, die FL in reale Anwendungen zu übersetzen, indem wir eine vorteilhafte Leistung gegenüber alternativen Ansätzen zeigen. Darüber hinaus betonen sie die Bedeutung der strategischen Organisation, das robuste Management von verteilten Daten und Infrastruktur in realen Welteinstellungen. Mit dem vorgeschlagenen Leitfaden wollen wir zukünftige FL-Forscher bei der Umgehung von Fallfällen und der Beschleunigung der Übersetzung von FL in radiologische Anwendungen unterstützen.
| DOI: | 10.1093/jamia/ocae259 |
Abstract:
Federated Learning (FL) ermöglicht kollaboratives Modelltraining, während Daten lokal gespeichert werden. Derzeit werden die meisten FL-Studien in der Radiologie durch zahlreiche Hürden durchgeführt, die ihre Übersetzung in die Praxis behindern. Die wenigen bestehenden realen FL-Initiativen kommunizieren selten konkrete Maßnahmen, die ergriffen werden, um diese Hürden zu überwinden. Um diese bedeutende Wissenslücke zu überbrücken, schlagen wir einen umfassenden Leitfaden für reale FL in der Radiologie vor. Bei der Umsetzung von real-world FL gibt es keine umfassenden Bewertungen, die FL mit weniger komplexen Alternativen in anspruchsvollen real-world-Einstellungen vergleichen, die wir durch umfangreiche Benchmarking ansprechen. Wir haben unsere eigene FL-Infrastruktur im deutschen Radiologischen Kooperativen Netzwerk (RACOON) entwickelt und ihre Funktionalität durch Ausbildung von FL-Modellen auf Lungenpathologie-Segmentationsaufgaben in sechs Universitätskliniken demonstriert. Während der Gründung unserer FL-Initiative und der Durchführung der umfangreichen Benchmark-Experimente wurden Einblicke gesammelt und in den Leitfaden eingeordnet. Der vorgeschlagene Leitfaden beschreibt wesentliche Schritte, identifizierte Hürden und implementierte Lösungen für erfolgreiche FL-Initiativen, die Echtzeit-Experimente durchführen. Unsere experimentellen Ergebnisse beweisen die praktische Relevanz unseres Leitfadens und zeigen, dass FL weniger komplexe Alternativen in allen Bewertungsszenarien übertrifft. Unsere Ergebnisse rechtfertigen die Bemühungen, die FL in reale Anwendungen zu übersetzen, indem wir eine vorteilhafte Leistung gegenüber alternativen Ansätzen zeigen. Darüber hinaus betonen sie die Bedeutung der strategischen Organisation, das robuste Management von verteilten Daten und Infrastruktur in realen Welteinstellungen. Mit dem vorgeschlagenen Leitfaden wollen wir zukünftige FL-Forscher bei der Umgehung von Fallfällen und der Beschleunigung der Übersetzung von FL in radiologische Anwendungen unterstützen.
M. M,
L. FC,
B. B,
W. MA,
B. B and
M. FG,
"Repeatability of radiomic features in myocardial T1 and T2 mapping.",
European radiology,
Mä.
2025.
Abstract:
Zur Untersuchung der Test-Retest-Wiederholbarkeit von radiomischen Features in myokardial native T1 und T2 Mapping. In dieser prospektiven Studie haben 50 gesunde Freiwillige (29 Frauen und 21 Männer, Durchschnittsalter 39,4 ± 13,7 Jahre) zwei identische Herz-Magnetresonanz-Bildgebung (MRI)-Untersuchungen bei 1,5 T durchgeführt. Das Protokoll beinhaltete die native T1 und T2 Kartierung sowohl in der Kurz- als auch in der Langachse. Für die T1 Kartierung haben wir Standard (1.9 × 1,9 mm) und hohe (1.4 × 1,4 mm) Raumauflösung untersucht. Nach manueller Segmentierung des linken ventrikulären Myokards wurden 100 radiomische Features aus sieben Merkmalsklassen extrahiert und analysiert. Die Prüf-Retest-Wiederholbarkeit von radiomischen Merkmalen wurde mit dem Intraklasse-Korrelationskoeffizienten (ICC) bewertet und als schlecht eingestuft (ICC < 0,50), gemäßigt (0,50-0.75), gut (0.75-0,90) und ausgezeichnet (> 0,90). Für T1-Karten, die in kurzer Ausrichtung bei Standardauflösung erworben wurden, war die Wiederholbarkeit für 6 Features, gut für 29 Features, moderiert für 19 Features und schlecht für 46 Features. Wir identifizierten 15 Merkmale von 6 Klassen, die eine gute bis ausgezeichnete Reproduzierbarkeit für T1 Mapping in allen Auflösungen und allen Orientierungen zeigten. Für kurze T2-Karten war die Wiederholbarkeit für 6 Funktionen, gut für 25 Funktionen, moderiert für 23 Funktionen und schlecht für 46 Funktionen. 12 Merkmale aus 5 Klassen wurden gefunden, um eine gute bis ausgezeichnete Wiederholbarkeit in T2 Kartierung unabhängig von der Schichtorientierung zu haben. Wir haben eine Untermenge von Merkmalen mit guter bis ausgezeichneter Wiederholbarkeit unabhängig von der Schichtorientierung und der räumlichen Auflösung identifiziert. Wir empfehlen, diese Funktionen für weitere Radiomik-Forschung in myocardial T1 und T2 Mapping zu nutzen. Frage Die Studie befasst sich mit dem Bedürfnis nach zuverlässigen radiomischen Merkmalen für die quantitative Analyse des Myokards, um die diagnostische Konsistenz im Herz-MRT zu gewährleisten. Ergebnisse Wir haben eine Teilmenge von radiomischen Merkmalen identifiziert, die eine gute bis ausgezeichnete Wiederholbarkeit in nativen T1 und T2 Kartierungen unabhängig von Schichtorientierung und Auflösung zeigen. Klinische RelevanzRadiomische Merkmale wurden als diagnostische und prognostische Biomarker in verschiedenen Herzerkrankungen vorgeschlagen. Durch die Identifizierung einer Teilmenge von besonders reproduzierbaren radiomischen Merkmalen dient unsere Studie dazu, die Auswahl von radiomischen Merkmalen in zukünftigen Forschungs- und klinischen Anwendungen zu informieren.
| DOI: | 10.1007/s00330-024-11337-8 |
Abstract:
Zur Untersuchung der Test-Retest-Wiederholbarkeit von radiomischen Features in myokardial native T1 und T2 Mapping. In dieser prospektiven Studie haben 50 gesunde Freiwillige (29 Frauen und 21 Männer, Durchschnittsalter 39,4 ± 13,7 Jahre) zwei identische Herz-Magnetresonanz-Bildgebung (MRI)-Untersuchungen bei 1,5 T durchgeführt. Das Protokoll beinhaltete die native T1 und T2 Kartierung sowohl in der Kurz- als auch in der Langachse. Für die T1 Kartierung haben wir Standard (1.9 × 1,9 mm) und hohe (1.4 × 1,4 mm) Raumauflösung untersucht. Nach manueller Segmentierung des linken ventrikulären Myokards wurden 100 radiomische Features aus sieben Merkmalsklassen extrahiert und analysiert. Die Prüf-Retest-Wiederholbarkeit von radiomischen Merkmalen wurde mit dem Intraklasse-Korrelationskoeffizienten (ICC) bewertet und als schlecht eingestuft (ICC < 0,50), gemäßigt (0,50-0.75), gut (0.75-0,90) und ausgezeichnet (> 0,90). Für T1-Karten, die in kurzer Ausrichtung bei Standardauflösung erworben wurden, war die Wiederholbarkeit für 6 Features, gut für 29 Features, moderiert für 19 Features und schlecht für 46 Features. Wir identifizierten 15 Merkmale von 6 Klassen, die eine gute bis ausgezeichnete Reproduzierbarkeit für T1 Mapping in allen Auflösungen und allen Orientierungen zeigten. Für kurze T2-Karten war die Wiederholbarkeit für 6 Funktionen, gut für 25 Funktionen, moderiert für 23 Funktionen und schlecht für 46 Funktionen. 12 Merkmale aus 5 Klassen wurden gefunden, um eine gute bis ausgezeichnete Wiederholbarkeit in T2 Kartierung unabhängig von der Schichtorientierung zu haben. Wir haben eine Untermenge von Merkmalen mit guter bis ausgezeichneter Wiederholbarkeit unabhängig von der Schichtorientierung und der räumlichen Auflösung identifiziert. Wir empfehlen, diese Funktionen für weitere Radiomik-Forschung in myocardial T1 und T2 Mapping zu nutzen. Frage Die Studie befasst sich mit dem Bedürfnis nach zuverlässigen radiomischen Merkmalen für die quantitative Analyse des Myokards, um die diagnostische Konsistenz im Herz-MRT zu gewährleisten. Ergebnisse Wir haben eine Teilmenge von radiomischen Merkmalen identifiziert, die eine gute bis ausgezeichnete Wiederholbarkeit in nativen T1 und T2 Kartierungen unabhängig von Schichtorientierung und Auflösung zeigen. Klinische RelevanzRadiomische Merkmale wurden als diagnostische und prognostische Biomarker in verschiedenen Herzerkrankungen vorgeschlagen. Durch die Identifizierung einer Teilmenge von besonders reproduzierbaren radiomischen Merkmalen dient unsere Studie dazu, die Auswahl von radiomischen Merkmalen in zukünftigen Forschungs- und klinischen Anwendungen zu informieren.
T. N,
K. C,
B. SM,
E. N,
W. D,
S. SA,
V. D,
S. N,
F. F,
P. L,
G. B,
J. B,
S. S,
S. T and
B. M,
"Semi-quantitative software evaluation of COVID-19 CT examinations-correlation with clinical parameters.",
Journal of thoracic disease,
Okt.
2025.
Abstract:
Softwaregeführte semi-quantitative Analyse der Koronavirus-Krankheit 2019 (COVID-19) Lungenentzündung in Lungenrechnertomographie (CT)-Datensätzen zur Schwerebewertung. Darüber hinaus werden bildgebende Erkenntnisse mit der Notwendigkeit intensiver Pflegemedizin und klinischer Parameter korreliert. Diese einzentige retrospektive Studie analysierte 66 aufeinanderfolgende Patienten (31 Frauen, mittleres Alter 64.6±16.2 Jahre) mit Lungen-CT-Datensätzen von 12/2020 bis 05/2021 und bestätigte COVID-19-Pneumonie. Lungen-CT-Datensätze wurden mit einer semiquantitativen Software zur Segmentierung und Quantifizierung ausgewertet. Die Korrelation mit zugrunde liegenden Krankheiten, Laborparametern und weiterem Kurs wurde bewertet, einschließlich Intubation und Notwendigkeit einer intensiven Pflege. Das Gesamtvolumen der Lungen betrug 3,903,65±1,185.67 mL, das mittlere Volumen der Trübungen betrug 866,52±829,29 mL, was 23,54%±21.92% des gesamten Lungenvolumens widerspiegelt. Das Volumen der hohen Trübungen betrug 186.88±208.15 mL, was 0,06%±0,07% des gesamten Lungenvolumens widerspiegelt. Insgesamt starben 12 Patienten (18,2%), 10 Patienten (15,2%) erforderlich Intubation und in 27 Fällen (40,9%) intensive Pflege war notwendig. Bei Patienten, die das Volumen an Opazitäten und hohen Opazitäten starben, waren deutlich höher (P<0.05). Wesentliche Unterschiede mit einem Risiko für eine intensive Pflegemedizin waren umfangreiche pulmonale Opazitäten, ein Volumen hoher Opazitäten und ein Prozentsatz hoher Opazitäten (P< 0,001 je). Die COVID-19-Pneumonie kann mittels eines künstlichen Intelligenz (AI)-basierten Software-Ansatzes halbquantifiziert werden. Quantitative Methoden könnten genaue Informationen über das Volumen der Trübungen liefern und die Erkennung von Verbindungen zur Patiententherapie ermöglichen, einschließlich der Notwendigkeit einer intensiven Pflege.
| DOI: | 10.21037/jtd-2025-655 |
Abstract:
Softwaregeführte semi-quantitative Analyse der Koronavirus-Krankheit 2019 (COVID-19) Lungenentzündung in Lungenrechnertomographie (CT)-Datensätzen zur Schwerebewertung. Darüber hinaus werden bildgebende Erkenntnisse mit der Notwendigkeit intensiver Pflegemedizin und klinischer Parameter korreliert. Diese einzentige retrospektive Studie analysierte 66 aufeinanderfolgende Patienten (31 Frauen, mittleres Alter 64.6±16.2 Jahre) mit Lungen-CT-Datensätzen von 12/2020 bis 05/2021 und bestätigte COVID-19-Pneumonie. Lungen-CT-Datensätze wurden mit einer semiquantitativen Software zur Segmentierung und Quantifizierung ausgewertet. Die Korrelation mit zugrunde liegenden Krankheiten, Laborparametern und weiterem Kurs wurde bewertet, einschließlich Intubation und Notwendigkeit einer intensiven Pflege. Das Gesamtvolumen der Lungen betrug 3,903,65±1,185.67 mL, das mittlere Volumen der Trübungen betrug 866,52±829,29 mL, was 23,54%±21.92% des gesamten Lungenvolumens widerspiegelt. Das Volumen der hohen Trübungen betrug 186.88±208.15 mL, was 0,06%±0,07% des gesamten Lungenvolumens widerspiegelt. Insgesamt starben 12 Patienten (18,2%), 10 Patienten (15,2%) erforderlich Intubation und in 27 Fällen (40,9%) intensive Pflege war notwendig. Bei Patienten, die das Volumen an Opazitäten und hohen Opazitäten starben, waren deutlich höher (P<0.05). Wesentliche Unterschiede mit einem Risiko für eine intensive Pflegemedizin waren umfangreiche pulmonale Opazitäten, ein Volumen hoher Opazitäten und ein Prozentsatz hoher Opazitäten (P< 0,001 je). Die COVID-19-Pneumonie kann mittels eines künstlichen Intelligenz (AI)-basierten Software-Ansatzes halbquantifiziert werden. Quantitative Methoden könnten genaue Informationen über das Volumen der Trübungen liefern und die Erkennung von Verbindungen zur Patiententherapie ermöglichen, einschließlich der Notwendigkeit einer intensiven Pflege.
S. OL,
Z. J,
M. G,
C. ZI,
P. NR,
E. S. L,
V. PC,
K. S,
L. NG,
P. K,
L. M,
B. J,
A. KA,
A. G,
K. C,
K. M,
R. C,
N. S,
P. R,
M. R,
V. W,
C. J,
S. V,
W. M,
M. S,
K. C,
G. FJ,
T. D and
K. JN,
"Swarm learning with weak supervision enables automatic breast cancer detection in magnetic resonance imaging.",
Communications medicine,
Feb.
2025.
Abstract:
In den nächsten 5 Jahren werden neue Brustkrebs-Screening-Richtlinien, die Magnetresonanz-Bildgebung (MRI) für bestimmte Patienten empfehlen, das Volumen der zu analysierenden Bildgebungsdaten deutlich erhöhen. Während diese Zunahme Herausforderungen für Radiologen stellt, bietet künstliche Intelligenz (KI) potenzielle Lösungen, um diese Arbeitsbelastung zu bewältigen. Die Entwicklung von KI-Modellen wird jedoch oft durch manuelle Annotationsanforderungen und strenge Datenschutzbestimmungen zwischen Institutionen behindert. In dieser Studie stellen wir eine integrierte Pipeline vor, die die Notwendigkeit detaillierter Anmerkungen mit lokaler KI-Modellausbildung über Swarm-Learning (SL) schwächer beaufsichtigt, was den zentralen Datenaustausch umgeht. Wir nutzten drei Datensätze aus 1372 weiblichen bilateralen Brust-MRT-Prüfungen von Institutionen in drei Ländern: die Vereinigten Staaten (US), die Schweiz und das Vereinigte Königreich (UK) Modelle zu trainieren. Diese Modelle wurden dann auf zwei externen Datensätzen, bestehend aus 649 bilateralen Brust-MRT-Prüfungen aus Deutschland und Griechenland, validiert. Beim systematischen Benchmarking verschiedener schwach beaufsichtigter zweidimensionaler (2D) und dreidimensionaler (3D) Deep Learning (DL)-Methoden finden wir, dass das 3D-ResNet-101 überlegene Leistung zeigt. Durch die Implementierung eines realen SL-Setups in drei internationalen Zentren beobachten wir, dass diese kollaborativ geschulten Modelle die vor Ort geschulten übertreffen. Auch bei einem kleineren Datensatz zeigen wir die praktische Durchführbarkeit, SL international mit der Datenverarbeitung vor Ort einzusetzen, Herausforderungen wie Datenschutz und Annotationsvariabilität zu bewältigen. Die Kombination schwach beaufsichtigten Lernens mit SL verbessert die interinstitutionelle Zusammenarbeit, die Verbesserung des Nutzens verteilter Datensätze für medizinische KI-Ausbildung, ohne dass detaillierte Anmerkungen oder zentrale Datenfreigabe erforderlich sind.
| DOI: | 10.1038/s43856-024-00722-5 |
Abstract:
In den nächsten 5 Jahren werden neue Brustkrebs-Screening-Richtlinien, die Magnetresonanz-Bildgebung (MRI) für bestimmte Patienten empfehlen, das Volumen der zu analysierenden Bildgebungsdaten deutlich erhöhen. Während diese Zunahme Herausforderungen für Radiologen stellt, bietet künstliche Intelligenz (KI) potenzielle Lösungen, um diese Arbeitsbelastung zu bewältigen. Die Entwicklung von KI-Modellen wird jedoch oft durch manuelle Annotationsanforderungen und strenge Datenschutzbestimmungen zwischen Institutionen behindert. In dieser Studie stellen wir eine integrierte Pipeline vor, die die Notwendigkeit detaillierter Anmerkungen mit lokaler KI-Modellausbildung über Swarm-Learning (SL) schwächer beaufsichtigt, was den zentralen Datenaustausch umgeht. Wir nutzten drei Datensätze aus 1372 weiblichen bilateralen Brust-MRT-Prüfungen von Institutionen in drei Ländern: die Vereinigten Staaten (US), die Schweiz und das Vereinigte Königreich (UK) Modelle zu trainieren. Diese Modelle wurden dann auf zwei externen Datensätzen, bestehend aus 649 bilateralen Brust-MRT-Prüfungen aus Deutschland und Griechenland, validiert. Beim systematischen Benchmarking verschiedener schwach beaufsichtigter zweidimensionaler (2D) und dreidimensionaler (3D) Deep Learning (DL)-Methoden finden wir, dass das 3D-ResNet-101 überlegene Leistung zeigt. Durch die Implementierung eines realen SL-Setups in drei internationalen Zentren beobachten wir, dass diese kollaborativ geschulten Modelle die vor Ort geschulten übertreffen. Auch bei einem kleineren Datensatz zeigen wir die praktische Durchführbarkeit, SL international mit der Datenverarbeitung vor Ort einzusetzen, Herausforderungen wie Datenschutz und Annotationsvariabilität zu bewältigen. Die Kombination schwach beaufsichtigten Lernens mit SL verbessert die interinstitutionelle Zusammenarbeit, die Verbesserung des Nutzens verteilter Datensätze für medizinische KI-Ausbildung, ohne dass detaillierte Anmerkungen oder zentrale Datenfreigabe erforderlich sind.
H. T,
T. U,
B. LB,
L. B,
R. D,
W. T,
K. M,
O. P,
B. J,
G. F and
W. G,
"The association of symptoms, pulmonary function test and computed tomography in interstitial lung disease at the onset of connective tissue disease: an observational study with artificial intelligence analysis of high-resolution computed tomography.",
Rheumatology international,
Aug.
2025.
Abstract:
Interstitial Lungenerkrankung (ILD) ist eine häufige und ernsthafte Organerscheinung bei Patienten mit Bindegewebeerkrankung (CTD), aber es ist unsicher, ob es einen Unterschied in der ILD zwischen symptomatischen und asymptomatischen Patienten gibt. Daher haben wir eine Studie durchgeführt, um Unterschiede im Ausmaß der ILD anhand von radiologischen Erkenntnissen zwischen symptomatischen/asymptomatischen Patienten mit einer künstlichen Intelligenz (AI)-basierten Quantifizierung der pulmonalen hochauflösenden berechneten Tomographie (AIpqHRCT) zu bewerten. In der Studie wurden mit AIqpHRCT 67 Querschnittsdatensätze und klinische Daten (einschließlich Lungenfunktionstest) von aufeinanderfolgenden Patienten (mittleres Alter: 57,1 ± 14,7 Jahre, Frau n = 45; 67,2 %) und ILD (alle ohne Immunsuppressive Therapie) analysiert. 25,4% (n = 17) der Patienten mit ILD bei der ersten Diagnose von CTD hatten keine Lungensymptome. In Bezug auf die grundlegenden Merkmale (Alter, Geschlecht, Krankheit) gab es keinen signifikanten Unterschied zwischen der symptomatischen und asymptomatischen Gruppe. Der Lungenfunktionstest (PFT) ergab folgende Mittelwerte (%vorhergesagt) in der symptomatischen und asymptomatischen Gruppe: Erzwungene Vitalkapazität (FVC) 69,4 ± 17,4 % gegenüber 86,1 ± 15,8 % (p = 0,001) und Streukapazität der Lunge für Kohlenmonoxid (DLCO) 49,7 ± 17,9 % gegenüber 60,0 ± 15,8 % (p = 0,043). AIqpHRCT-Daten zeigten einen signifikant höheren Anteil an hochgeschwächtem Volumen (HAV) (14,8 ± 11,0% gegenüber 8,9 ± 3,9%; p = 0,021) und Retikulationen (5.4 ± 8,7% gegenüber 1,4 ± 1,5%; p = 0,035) bei symptomatischen Patienten. Ein Viertel der Patienten mit ILD zum Zeitpunkt der ersten CTD-Diagnose hatte keine Lungensymptome, die DLCO zeigten, wurden in beiden Gruppen reduziert. Auch zeigte AIqpHRCT klinisch relevante ILD bei asymptomatischen Patienten. Diese Ergebnisse unterstreichen die Bedeutung eines frühzeitigen, risikogerechten Screenings für ILD auch bei asymptomatischen CTD-Patienten, da ILD mit einer erhöhten Mortalität verbunden ist.
| DOI: | 10.1007/s00296-025-05934-z |
Abstract:
Interstitial Lungenerkrankung (ILD) ist eine häufige und ernsthafte Organerscheinung bei Patienten mit Bindegewebeerkrankung (CTD), aber es ist unsicher, ob es einen Unterschied in der ILD zwischen symptomatischen und asymptomatischen Patienten gibt. Daher haben wir eine Studie durchgeführt, um Unterschiede im Ausmaß der ILD anhand von radiologischen Erkenntnissen zwischen symptomatischen/asymptomatischen Patienten mit einer künstlichen Intelligenz (AI)-basierten Quantifizierung der pulmonalen hochauflösenden berechneten Tomographie (AIpqHRCT) zu bewerten. In der Studie wurden mit AIqpHRCT 67 Querschnittsdatensätze und klinische Daten (einschließlich Lungenfunktionstest) von aufeinanderfolgenden Patienten (mittleres Alter: 57,1 ± 14,7 Jahre, Frau n = 45; 67,2 %) und ILD (alle ohne Immunsuppressive Therapie) analysiert. 25,4% (n = 17) der Patienten mit ILD bei der ersten Diagnose von CTD hatten keine Lungensymptome. In Bezug auf die grundlegenden Merkmale (Alter, Geschlecht, Krankheit) gab es keinen signifikanten Unterschied zwischen der symptomatischen und asymptomatischen Gruppe. Der Lungenfunktionstest (PFT) ergab folgende Mittelwerte (%vorhergesagt) in der symptomatischen und asymptomatischen Gruppe: Erzwungene Vitalkapazität (FVC) 69,4 ± 17,4 % gegenüber 86,1 ± 15,8 % (p = 0,001) und Streukapazität der Lunge für Kohlenmonoxid (DLCO) 49,7 ± 17,9 % gegenüber 60,0 ± 15,8 % (p = 0,043). AIqpHRCT-Daten zeigten einen signifikant höheren Anteil an hochgeschwächtem Volumen (HAV) (14,8 ± 11,0% gegenüber 8,9 ± 3,9%; p = 0,021) und Retikulationen (5.4 ± 8,7% gegenüber 1,4 ± 1,5%; p = 0,035) bei symptomatischen Patienten. Ein Viertel der Patienten mit ILD zum Zeitpunkt der ersten CTD-Diagnose hatte keine Lungensymptome, die DLCO zeigten, wurden in beiden Gruppen reduziert. Auch zeigte AIqpHRCT klinisch relevante ILD bei asymptomatischen Patienten. Diese Ergebnisse unterstreichen die Bedeutung eines frühzeitigen, risikogerechten Screenings für ILD auch bei asymptomatischen CTD-Patienten, da ILD mit einer erhöhten Mortalität verbunden ist.
P. T,
F. P,
B. A,
I. P,
M. D,
P. T,
S. M,
V. T,
K. J and
D. F,
"The RACOON viral pneumonia score for structured reporting of pre-existing, acute, and post-pneumonic findings on chest CT.",
Frontiers in medicine,
2025.
Abstract:
Der multidimensionale RACOON Viral Pneumonia Score (RVPS) wurde entwickelt, um die Hauptschwächen der etablierten eindimensionalen Brust-Computertomographie (CT)-Scores zu kompensieren. Sie zielte darauf ab, die Schwere der Lungenentzündung zu quantifizieren und die infektiöse Lungenerkrankung von der akuten Phase bis zur post-pneumonischen Sequenz qualitativ zu überwachen. Diese Forschung konzentriert sich auf die ursprüngliche Entwicklung und Bewertung der Anwendbarkeit und der Interreader Zuverlässigkeit des RVPS. Innerhalb des Radiological Cooperative Network (RACOON) wurde das Scoring-System nach mehreren Expertensitzungen entwickelt und in dieser Nachweisstudie mit 8,525 Beobachtungen getestet. In der Untermenge der Interreadervalidierung (7.800 Beobachtungen) applizierten acht blinde Radiologen die RVPS und bewerteten für jede Lungenkeule die folgenden CT-Ergebnisse einzeln: (I) reine Bodenglasundurchlässigkeiten (GGO), (II) GGO und interstitielle Verdickung, (III) Konsolidierungen, (IV) lineare Opazitäten und Retikulationen und (V) fibrotischartige Veränderungen. Das Ausmaß jeder Pathologie wurde auf einer Skala von 0-5 Punkten bewertet, und die Gesamtbeteiligung wurde berechnet. Die Variabilität der Interreader wurde mit Kendalls W bewertet. Die Gesamtinterreadersicherheit des RVPS war ausgezeichnet (Kendalls' W 0.95). CT-Ergebnisse im Zusammenhang mit akuter Lungenentzündung wurden mit guter Einigung erzielt (W 0.81-0.87). Bei der Trennung der Ergebnisse der Kategorie IV vs. Kategorie V (W 0.55-0.69) wurde eine geringe Unsicherheit eingeführt. Der Gesamtumfang der nachinfektiösen Ergebnisse wurde mit guter Einigung bewertet (W 0.79). Die Längsverteilung der Subscores erlaubte eine Differenzierung zwischen akuter Lungenentzündung und post-pneumonischer Sequenz. Diese Studie präsentiert das RVPS als umfassendes Werkzeug für eine zuverlässige Auswertung, Längsüberwachung und strukturierte Dokumentation des Ausmaßes sowie der Qualität der Brust-CT-Ergebnisse bei Infektions-Lungenerkrankungen.
| DOI: | 10.3389/fmed.2025.1578282 |
Abstract:
Der multidimensionale RACOON Viral Pneumonia Score (RVPS) wurde entwickelt, um die Hauptschwächen der etablierten eindimensionalen Brust-Computertomographie (CT)-Scores zu kompensieren. Sie zielte darauf ab, die Schwere der Lungenentzündung zu quantifizieren und die infektiöse Lungenerkrankung von der akuten Phase bis zur post-pneumonischen Sequenz qualitativ zu überwachen. Diese Forschung konzentriert sich auf die ursprüngliche Entwicklung und Bewertung der Anwendbarkeit und der Interreader Zuverlässigkeit des RVPS. Innerhalb des Radiological Cooperative Network (RACOON) wurde das Scoring-System nach mehreren Expertensitzungen entwickelt und in dieser Nachweisstudie mit 8,525 Beobachtungen getestet. In der Untermenge der Interreadervalidierung (7.800 Beobachtungen) applizierten acht blinde Radiologen die RVPS und bewerteten für jede Lungenkeule die folgenden CT-Ergebnisse einzeln: (I) reine Bodenglasundurchlässigkeiten (GGO), (II) GGO und interstitielle Verdickung, (III) Konsolidierungen, (IV) lineare Opazitäten und Retikulationen und (V) fibrotischartige Veränderungen. Das Ausmaß jeder Pathologie wurde auf einer Skala von 0-5 Punkten bewertet, und die Gesamtbeteiligung wurde berechnet. Die Variabilität der Interreader wurde mit Kendalls W bewertet. Die Gesamtinterreadersicherheit des RVPS war ausgezeichnet (Kendalls' W 0.95). CT-Ergebnisse im Zusammenhang mit akuter Lungenentzündung wurden mit guter Einigung erzielt (W 0.81-0.87). Bei der Trennung der Ergebnisse der Kategorie IV vs. Kategorie V (W 0.55-0.69) wurde eine geringe Unsicherheit eingeführt. Der Gesamtumfang der nachinfektiösen Ergebnisse wurde mit guter Einigung bewertet (W 0.79). Die Längsverteilung der Subscores erlaubte eine Differenzierung zwischen akuter Lungenentzündung und post-pneumonischer Sequenz. Diese Studie präsentiert das RVPS als umfassendes Werkzeug für eine zuverlässige Auswertung, Längsüberwachung und strukturierte Dokumentation des Ausmaßes sowie der Qualität der Brust-CT-Ergebnisse bei Infektions-Lungenerkrankungen.
C. Bartenschlager,
R. Frey,
M. Freitag and
et al,
"Managing hospital visitor admission during Covid-19: A discrete-event simulation by the data of a German University Hospital".
Gehalten auf der Hawaii International Conference on System Sciences 2022.
| DOI: | 10.24251/HICSS.2022.449 |
K. O. Yusuf,
S. Hanss and
D. Krefting,
"Towards a Consistent Representation of Contradictions Within Health Data for Efficient Implementation of Data Quality Assessments.",
Studies in Health Technology and Informatics, eBook Serie,
vol. 302.
B. Lorenz-Depiereux,
S. Hopff,
H. Valentin,
M. Scherer,
S. Berger,
G. Anton,
B. Balzuweit,
T. Bahmer,
T. Illig,
A. Blumentritt,
C. Schäfer,
S. Hanss,
M. Nauck,
D. Krefting,
S. Schreiber,
M. Witzenrath,
J. Schaller,
W. Lieb,
D. Stahl,
J. Vehreschild,
M. Kraus,
On Behalf Of The Napkon Study Group and
N. Ethics Coordination,
"Poster Biobank-Symposium: Ethik-Koordination in NUKLEUS am Beispiel von NAPKON – Herausforderungen und Chancen".
M. Kraus,
C. Hampf,
T. Bahls,
W. Hoffmann,
M. Bialke,
A. Blumentritt,
F. Moser,
S. Lang,
E. Sargsyan and
A. Stehn,
"Poster Biobank-Symposium: Semantic Consent Code (SCC) Optionen für mehr Einheitlichkeit bei der Codierung und Abfrage von Einwilligungsinhalten".
C. Klein,
M. Borsche,
A. Balck and
et al,
"One-year surveillance of SARS-CoV-2 transmission of the ELISA Cohort: A model for population-based monitoring of infection risk",
Science Adv.
M. Jukic,
A. Dunkel,
B. Haller and
et al,
"Persistent loss of smell and taste perception in subjects with anti-SARS-CoV-2 antibodies".
M. Kahn,
S. Zellmer,
A. Ebigbo and
et al,
"Progress of the vaccination campaign among HCW in AGP in Germany".
A. Wulff,
P. Biermann,
T. Landesberger and
et al,
"A Smart Infection Control System for COVID-19 Infections in Hospitals"
in Conference on 66. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e.V. (GMDS) 2021.
| Datei: | https://www.egms.de/static/de/meetings/gmds2021/21gmds058.shtml |
A. Wulff,
P. Biermann,
T. Landesberger and
et al,
"Tracing COVID-19 infection chains within healthcare institutions: Another brick in the wall against SARS-CoV-2"
in MedInfo Conference 2021.
| Datei: | https://imia-medinfo.org/medinfo21/ |
S. Kugai,
B. Aretz,
Y. Krumpholtz,
M. Schmidt,
D. Süssle,
L. Steyer,
A. Henkel,
K. Bender,
F. Girrbach,
S. Stehr,
K. Balzer and
B. Weltermann,
"Innovative Regional Services and Heterogeneous Communication Channels: Results from the Nationwide German egePan Project for Pandemic Management",
Healthcare,
vol. 21,
no. 21,
pp. 2192,
Nov.
2024.
| DOI: | 10.3390/healthcare12212192 |
K. Appel,
C. Lee,
S. N. Miranda,
D. Maier,
J. Reese,
G. Anton,
T. Bahmer,
S. Ballhausen,
B. Balzuweit,
C. Bellinghausen,
A. Blumentritt,
M. Brechtel,
I. Chaplinskaya-Sobol,
J. Erber,
K. Fiedler,
R. Geisler,
R. Heyder,
T. Illig,
M. Kohls,
L. Krist,
R. Lorbeer,
O. Miljukov,
L. Mitrov,
C. Nürnberger,
C. Pape,
C. Pley,
C. Schäfer,
J. Schaller,
M. Schattschneider,
M. Scherer,
N. Schulze,
D. Stahl,
H. C. Stubbe,
T. Tamminga,
J. J. Tebbe,
M. Vehreschild,
J. J. Vehreschild,
S. Wiedmann and
J. Kollek,
"A precise performance-based reimbursement model for the multi-centre NAPKON cohorts - development and evaluation",
Sci Rep. 2024 Jun 13;14(1):13607,
06
2024.
| DOI: | 10.1038/s41598-024-63945-5 |
| Pubmed: | 38871878 |
C. Stellmach,
S. Hopff,
T. Jaenisch,
S. N. Miranda,
E. Rinaldi,
N. group and
R. Working Groups,
"Creation of Standardized Common Data Elements for Diagnostic Tests in Infectious Disease Studies: Semantic and Syntactic Mapping",
J Med Internet Res. 2024 Jun 10;26:e50049,
06
2024.
| DOI: | 10.2196/50049 |