Mitwirkende

Einführung

Die AG IT verfolgt unterschiedliche Anwendungsgebiete von neuartigen IT-Lösungen in der Radiologie. Ein wesentlicher Schwerpunkt liegt auf der Weiterentwicklung der Befundungslösungen für radiologische Untersuchungen im Hinblick auf eine Strukturierte Befundung. Hiermit wird einerseits den Erwartungen der Zuweiser an klare, nachvollziehbare Befunde entsprochen und andererseits die Integration von Bildverarbeitungsmethoden mit Befundungswerkzeugen optimiert. Ein Beispiel hierfür ist die Übermittlung von Ergebnissen aus AI-Anwendungen direkt an Befundungstemplates.

Natural Language Processing (NLP) wird für die Analyse von Befundtexten bzw. Diktaten eingesetzt, um aus normalem Text strukturierte Daten zu erzielen.

Ein weiterer Schwerpunkt ist die Erprobung und Analyse von AI-Anwendungen, aktuell mit der Anwendung im Bereich der Lunge. Hierbei sind u.a. die Einbindung in PACS, in die Arbeitsabläufe und den Befundungsworkflow von Bedeutung. Die Mitwirkung bei internationalen Initiativen (z.B. DICOM und IHE) ermöglicht die frühzeitige Erprobung neuer Integrationsprofile sowie durch die Rückmeldungen auch die aktive Mitgestaltung derartiger Prozesse.

Im Hinblick auf die klinischen Prozesse werden Themen rund um PACS, Enterprise Imaging und eHealth verfolgt und für die klinische Umsetzung aufbereitet.

Darstellung der zunehmenden Nutzung von „Strukturierter Befundung“ im klinischen Alltag in der Radiologie der UM Mainz. Abgebildet sind die Jahre 2016-2022.

Beispielhafte Darstellung, wie der schriftliche radiologische Befund z.B. visuell ergänz werden kann. Exemplarisch ist hier eine vom Befunder hochladbare Skizze dargestellt, die den Befund „Auschuss einer Nephrolithiasis“sinnvoll ergänzen kann. Darstellung der zunehmenden Nutzung von „Strukturierter Befundung“ im klinischen Alltag in der Radiologie der UM Mainz. Abgebildet sind die Jahre 2016-2022.

Publikationen

• [Validation and implementation of artificial intelligence in radiology : Quo vadis in 2022?]. Müller L, Kloeckner R, Mildenberger P, Pinto Dos Santos D. Radiologie (Heidelb). 2022 Dec 12. doi: 10.1007/s00117-022-01097-1. Online ahead of print.
• Commercial AI solutions in detecting COVID-19 pneumonia in chest CT: not yet ready for clinical implementation? Jungmann F, Müller L, Hahn F, Weustenfeld M, Dapper AK, Mähringer-Kunz A, Graafen D, Düber C, Schafigh D, Pinto Dos Santos D, Mildenberger P, Kloeckner R. Eur Radiol. 2022 May;32(5):3152-3160. doi: 10.1007/s00330-021-08409-4. Epub 2021 Dec 23.
• Multimodal Deep Learning for Prognosis Prediction in Renal Cancer. Schulz S, Woerl AC, Jungmann F, Glasner C, Stenzel P, Strobl S, Fernandez A, Wagner DC, Haferkamp A, Mildenberger P, Roth W, Foersch S. Front Oncol. 2021 Nov 24;11:788740. doi: 10.3389/fonc.2021.788740. eCollection 2021.
• Structured reporting of CT scans of patients with trauma leads to faster, more detailed diagnoses: An experimental study. Jorg T, Heckmann JC, Mildenberger P, Hahn F, Düber C, Mildenberger P, Kloeckner R, Jungmann F. Eur J Radiol. 2021 Nov;144:109954. doi: 10.1016/j.ejrad.2021.109954. Epub 2021 Sep 17.
• Natural language processing of radiology reports to investigate the effects of the COVID-19 pandemic on the incidence and age distribution of fractures. Jungmann F, Kämpgen B, Hahn F, Wagner D, Mildenberger P, Düber C, Kloeckner R. Skeletal Radiol. 2022 Feb;51(2):375-380. doi: 10.1007/s00256-021-03760-5. Epub 2021 Apr 13.
• Attitudes Toward Artificial Intelligence Among Radiologists, IT Specialists, and Industry. Jungmann F, Jorg T, Hahn F, Pinto Dos Santos D, Jungmann SM, Düber C, Mildenberger P, Kloeckner R. Acad Radiol. 2021 Jun;28(6):834-840. doi: 10.1016/j.acra.2020.04.011. Epub 2020 May 13.
• A multicentric IT platform for storage and sharing of imaging-based radiation dosimetric data. Spaltenstein J, van Dooren N, Pasquier G, Roduit N, Brenet M, Pasquier G, Gibaud B, Mildenberger P, Ratib O. Int J Comput Assist Radiol Surg. 2020 Oct;15(10):1639-1643. doi: 10.1007/s11548-020-02179-y. Epub 2020 May 2.
• A Hybrid Reporting Platform for Extended RadLex Coding Combining Structured Reporting Templates and Natural Language Processing. Jungmann F, Arnhold G, Kämpgen B, Jorg T, Düber C, Mildenberger P, Kloeckner R. J Digit Imaging. 2020 Aug;33(4):1026-1033. doi: 10.1007/s10278-020-00342-0.
• Towards data-driven medical imaging using natural language processing in patients with suspected urolithiasis. Jungmann F, Kämpgen B, Mildenberger P, Tsaur I, Jorg T, Düber C, Mildenberger P, Kloeckner R. Int J Med Inform. 2020 May;137:104106. doi: 10.1016/j.ijmedinf.2020.104106. Epub 2020 Feb 29.
• The impact of irreversible image data compression on post-processing algorithms in computed tomography. Santos DPD, Friese C, Borggrefe J, Mildenberger P, Mähringer-Kunz A, Kloeckner R. Diagn Interv Radiol. 2020 Jan;26(1):22-27. doi: 10.5152/dir.2019.18245.

Partner Universitätsmedizin

• Pathologie
• IMBEI

Externe Partner

• Contextflow
• DFC
• Empolis
• Infervision
• Rayscape (Mindfully Technologies)
• RSNA Reporting Informatics Subcommittee
• Sectra
• Universitätskliniken Freiburg und Frankfurt