Mithilfe künstlicher Intelligenz sollen Computer menschliche Denkprozesse nachbilden. Durch maschinelles Lernen soll so die Arbeit fast aller medizinischer Teilgebiete erleichtert werden. Doch was geht im Inneren eines KI-Algorithmus vor, worauf basieren seine Entscheidungen? Kann man einer Maschine gar eine medizinische Diagnose anvertrauen? Die Klärung dieser Fragen bleibt ein zentraler Aspekt der KI-Forschung und -Entwicklung.
Seltene Erkrankungen sind eine Herausforderung für die Diagnostik per KI, weil es kaum Trainingsdaten gibt. Ein neues Tool kann nun auch mit Daten von häufigen Befunden diese Krankheiten erkennen.
Ein neuentwickeltes tragbares Kamerasystem erkennt den Inhalt von Ampullen und Spritzen in Echtzeit mittels KI und soll so dazu beitragen, Fehler bei der Gabe von Medikamenten zu verhindern.
Patientendaten erfassen, Symptome aufnehmen, Krankheitsgeschichten erfragen und Beschwerden einordnen: Ein Forschungsprojekt geht der Frage nach, wie LLMs bei diesen Aufgaben helfen können.
Eine neue Studie bietet wertvolle Einblicke in die Auswirkungen von KI-Technologien auf die Abläufe im klinischen Alltag. Die Studie ruft allerdings vor allem zu einer klar strukturierten zukünftigen Forschung auf, um den Nutzen von KI besser bewerten zu können. Der Erfolg der Implementierung hängt zudem stark von den lokalen Gegebenheiten und den spezifischen Arbeitsabläufen ab.
Die neusten Ergebnisse einer Studie belegen das Potenzial von Deep Learning zur Ableitung morphologischer Merkmale, die den Mutationsstatus vorhersagen können. Zukünftige Studien sollen sich auf weitere klinisch relevante Mutationen konzentrieren.
Forschende stellen einen auf Deep Learning basierenden Algorithmus vor, der die Auswirkungen von Erbgut-Varianten auf das Risiko für bestimmte, seltene Erkrankungen vorhersagen kann.
Mit vernetzten "Medical Data Spaces" wollen Experten den Austausch gelabelter Daten zum Training neuronaler Netze ermöglichen. Das soll die Klassifizierung offener Wunden verbessern.
Digitalisierung im Gesundheitswesen bietet für Patienten und Ärzte enorme Chancen – doch längst nicht alle fühlen sich ausreichend auf den Wandel vorbereitet, zeigt eine neue Umfrage.
Bei manchen Patienten mit Prostatakrebs muss die Prostata entfernt werden – aber nicht bei allen. Ein neues Verfahren nutzt KI und Multiomics, um die invasive Biopsie zur Abklärung zu vermeiden.
Leben retten mit KI: Wissenschaftler haben im Rahmen des KIRETT-Projekts ein tragbares Gerät entwickelt, das bei Rettungseinsätzen praktische Handlungsempfehlungen zur Erstversorgung gibt.
KI, Telemedizin, VR und Apps werden das Gesundheitswesen nachhaltig prägen. Auf dem 2. Digital Health Summit stellten Experten einen 10-Punkte-Plan für eine erfolgreiche Digitalisierung vor.
Eine personalisierte KI namens ARTEMIS zum Ausschluss eines Herzinfarkts könnte im ambulanten und präklinischen Bereich durchgeführt werden und so Notaufnahmen der Krankenhäuser entlasten.
Kölner Forscher haben eine KI-basierte Plattform für digitale Pathologie entwickelt, die eine voll automatisierte Analyse von Gewebsschnitten von Patienten mit Lungenkrebs ermöglicht.
Große KI-Sprachmodelle wie GPT-4 halten zunehmend Einzug in die Medizin. EKFZ-Experten fordern einen angemessenen Rechtsrahmen, um die Nutzer der neuen Technologie nicht zu gefährden.
Startschuss für LLM „ARGO“: Das KI-Sprachmodell hilft ab sofort Ärzten am UKE Hamburg beim Schreiben von Arztbriefen – vor allem bei der Erstellung der Epikrise.
Reinhard Heckel, Professor für Maschinelles Lernen an der Technischen Universität München, spricht über die Bedeutung von Daten für Large Language Models und bildgebende Verfahren in der Medizin.
Durch die Kombination von Risikomarkern, systematischer Befundung von MRT-Aufnahmen und KI kann das Risiko für Prostatakrebs präziser als bisher vorhergesagt werden, wie eine neue Studie zeigt.
Um die Verlässlichkeit von KI in der Medizin zu verbessern, hat die Physikalisch-Technische Bundesanstalt einen neuen Prüfrahmen für Trainingsdaten zur Entwicklung von KI-Medizinprodukten erstellt.
Inzwischen gelten KI-Modelle als ähnlich kompetent bei der Beantwortung medizinischer Fragen wie menschliche Experten. Bislang fehlt es aber an einer einheitlichen Validierung. Das soll sich ändern.
