Mit DNA-Methylierungsanalyse und Machine Learning wollen Forscher Hirntumore während einer OP in Echtzeit klassifizieren, um detaillierte Informationen über den Tumor zu erhalten.
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 der TU Graz haben mithilfe raffiniert trainierter neuronaler Netze präzise Echtzeitbilder des schlagenden Herzens aus nur wenigen MRT-Messdaten erzeugt.
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.
Eine personalisierte KI namens ARTEMIS zum Ausschluss eines Herzinfarkts könnte im ambulanten und präklinischen Bereich durchgeführt werden und so Notaufnahmen der Krankenhäuser entlasten.
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.
Auf dem Gerontologie- und Geriatrie-Kongress in Kassel spricht Biomediziner Dr. Sebastian Lobentanzer über KI in der molekularen und klinischen Modellierung sowie das Potenzial von LLMs wie ChatGPT.
Kausales maschinelles Lernen ist ein vergleichsweise neuer Zweig von KI – und könnte den Erfolg von Therapien besser vorhersagen. Ein Forscherteam lotet das Potenzial der Methode aus.
KI soll das Gesundheitswesen effizienter und günstiger machen. Doch wie können Mediziner sicher sein, dass die Maschine keine Fehler macht? Dieser Frage gehen Forscher der FH Dortmund nach.
Mit neuen Methoden auf Basis künstlicher Intelligenz genügt bereits das kleine Blutbild, um Patienten mit Sepsis früher zu erkennen als bisher, wie das AMPEL-Projekt berichtet.
Neue Forschungsergebnisse verbessern die Diagnose von Sepsis bei Kindern: Einem internationalen Forschungsteam ist es gelungen, mithilfe von KI Daten von über 3,5 Millionen an Sepsis erkrankten Kindern zu analysieren.
Fraunhofer Austria und das Institut AULSS2 Marca Trevigiana in Treviso entwickelten eine auf Künstlicher Intelligenz beruhende Methode zur Diagnose von Harnwegsinfekten, die Labors entlasten soll.
Eine neue Studie zeigt, dass KI Emotionen von Patienten an deren Gesicht ablesen kann. Das könnte helfen, den Therapieerfolg bei mentalen Erkrankungen wie Borderline vorauszusagen.
Auf der ICIS-Konferenz ging der "Best Paper Award" an eine Forschungsarbeit, die sich mit der Beurteilung von Hirntumor-Aufnahmen durch künstliche Intelligenz (KI) befasst.
Ein internationales Forschungsteam hat das sogenannte Verstärkungslernen als Methode erforscht, das die Treffsicherheit von Hautkrebs-Diagnosen per KI erzielt.
Forschende am KIT nutzen Maschinelles Lernen, um den Ursprungsort der Extrasystolen nichtinvasiv zu bestimmen. Dies könnte künftig die Diagnose und Therapie erleichtern und verbessern.
Machine Learning und KI spielen eine zunehmend wichtige Rolle in Medizin und Gesundheitswesen. Dies gilt vor allem in datenintensiven Fachgebieten wie Radiologie, Pathologie oder Intensivmedizin. Doch die Güte von Diagnostik und Entscheidungsfindung per KI ist nicht nur davon abhängig, wie ausgefeilt der zugrunde liegende Algorithmus ist – sondern auch von der Qualität der Trainingsdaten.
Sepsis ist eine der häufigsten Todesursachen auf Intensivstationen. Machine Learning zeigt Potential für die Diagnostik, hat aber noch Schwächen. Das SCIDATOS-Projekt soll hier nachbessern.
KI birgt enormes Potenzial bei der Diagnostik neuropsychiatrischer Erkrankungen – Forscher untersuchen die wissenschaftliche, ethische und soziale Bedeutung dieser Entwicklung.
