Jetzt teilnehmen

Bitte loggen Sie sich ein, um Ihre Teilnahme an diesem Webinar zu bestätigen. Sie sind dann vorgemerkt und werden, falls das Webinar innerhalb der nächsten 10 Minuten beginnt, sofort weitergeleitet.

Findet das Webinar zu einem späteren Zeitpunkt statt, kommen Sie kurz vor Beginn des Webinars erneut, um am Webinar teilzunehmen.

Einfach buchen

Buchen Sie jetzt RÖKO DIGITAL des 106. Deutschen Röntgenkongress 2025 - Kongress für medizinische Radiologie und bildgeführte Therapie und verpassen Sie keines unserer lehrreichen und informativen Webinare zu verschiedenen Themen der Radiologie.

  • Wissenschaft & Fortbildung
  • CME-Punkte
  • Themenvielfalt
  • Dialog & Interaktion

Jetzt teilnehmen

Bitte loggen Sie sich ein, um Ihre Teilnahme an diesem Webinar zu bestätigen. Sie sind dann vorgemerkt und werden, falls das Webinar innerhalb der nächsten 10 Minuten beginnt, sofort weitergeleitet.

Findet das Webinar zu einem späteren Zeitpunkt statt, kommen Sie kurz vor Beginn des Webinars erneut, um am Webinar teilzunehmen.

Ohne Buchung.

Sie können an dieser Veranstaltung auch ohne Buchung von RÖKO DIGITAL des 106. Deutschen Röntgenkongress 2025 – Kongress für medizinische Radiologie und bildgeführte Therapie kostenfrei teilnehmen.

Eine Teilnahmebescheinigung erhalten nur Personen, die das digitale Modul „RÖKO DIGITAL“ des 106. Deutschen Röntgenkongress 2025 – Kongress für medizinische Radiologie und bildgeführte Therapie gebucht haben oder noch nachbuchen.

Um teilzunehmen kommen Sie ca. 10 Minuten vor Beginn wieder. Freischaltung zur Teilnahme in:

Sie können an dieser Veranstaltungen auch ohne Buchung von RÖKO DITITAL des 106. Deutschen Röntgenkongress 2025 – Kongress für medizinische Radiologie und bildgeführte Therapie kostenfrei teilnehmen.

Eine Teilnahmebescheinigung erhalten nur Personen, die das digitale Modul „RÖKO DIGITAL“ des 106. Deutschen Röntgenkongress 2025 – Kongress für medizinische Radiologie und bildgeführte Therapie gebucht haben oder noch nachbuchen.

Melden Sie sich bitte hier an:

Bitte beachten Sie die Datenschutzhinweise.

Kongressteilnehmer.

Als Teilnehmer am RÖKO DIGITAL des 106. Deutschen Röntgenkongress 2025 – Kongress für medizinische Radiologie und bildgeführte Therapie loggen Sie sich bitte ein, um an dieser Industrie­veranstaltung teilzunehmen.

Ohne Buchung.

Sie können an Industrie­veranstaltungen auch ohne Buchung von RÖKO DIGITAL des 106. Deutschen Röntgenkongress 2025 – Kongress für medizinische Radiologie und bildgeführte Therapie kostenfrei teilnehmen.

Um teilzunehmen kommen Sie ca. 10 Minuten vor Beginn wieder. Freischaltung zur Teilnahme in:

Sie können an Industrie­veranstaltungen auch ohne Buchung von RÖKO DIGITAL des 106. Deutschen Röntgenkongress 2025 – Kongress für medizinische Radiologie und bildgeführte Therapie kostenfrei teilnehmen. Melden Sie sich bitte hier an:

Bitte beachten Sie die Datenschutzhinweise.

Das ist eine Meldung

Stet clita kasd gubergren, no sea takimata sanctus est. Ut labore et dolore aliquyam erat, sed diam voluptua.

Wissenschaftliche Sitzung

Radiologie und IT - Effizienz im Fokus: Workflow und KI (Part I)

Radiologie und IT - Effizienz im Fokus: Workflow und KI (Part I)
Mittwoch, 28. Mai 2025 · 10:45 bis 11:45 Uhr
Diese Veranstaltung findet ausschließlich als Präsenzveranstaltung im Rhein-Main-Congress-Center in Wiesbaden statt. Diese Veranstaltung kann nicht über einen Stream sondern nur vor Ort besucht werden.
28
Mai

Mittwoch, 28. Mai 2025

10:45 bis 11:45 Uhr · Raum: Terrassensaal C  in Kalender übernehmen:   iCal  ·  Google

Veranstaltungsdetails

Veranstalter
Deutsche Röntgengesellschaft e.V.
Art
Wissenschaftliche Sitzung
Thema
IT/ Bildverarbeitung / Software
Zielgruppe
Andere, Ärzte in Weiterbildung (AiW), Fachärzte, Ingenieure / Naturwiss., Studenten

Zertifizierungen

Der RÖKO WIESBADEN wird im Rahmen einer Kongresszertifizierung durch die LÄK Hessen bewertet. Bitte beachten Sie die Hinweise unter A bis Z.

Ablauf

10:45 - 10:50

Vortrag (Wissenschaft)

Deep Learning Segmentierung fetaler MRTs für die Outcome Analyse der angeborenen Zwerchfellhernie

Leon Bischoff (Bonn)

weitere Autoren

Sebastian Nowak (Bonn) / Maximilian Mader (Bonn) / Maike Theis (Bonn) / Thomas Vollbrecht (Bonn) / Alexander Isaak (Bonn) / Daniel Kuetting (Bonn) / Claus Christian Pieper (Bonn) / Annegret Geipel (Bonn) / Florian Kipfmüller (Bonn) / Brigitte Strizek (Bonn) / Martin Sprinkart (Bonn) / Julian Luetkens (Bonn)

Zielsetzung

Zur Einschätzung der postnatalen Überlebensfähigkeit von Feten mit angeborener Zwerchfellhernie wird das fetale Körper- und Lungenvolumen im MRT quantifiziert. Aufgrund der großen Heterogenität der Erkrankung ist die Segmentierung schwierig und zeitaufwendig. Das Studienziel war deshalb die Entwicklung eines Deep Learning (DL) basierten Segmentierungs-Algorithmus.

Material und Methoden

Zwischen August 2007 und September 2023 wurden fetale MRTs mit angeborener Zwerchfellhernie retrospektiv eingeschlossen. Nach manueller Segmentierung des fetalen Körpervolumens (FKV) und Lungenvolumens (FLV) in Slicer3D wurden zwei separate 3D U-Nets auf die automatisierte Segmentierung trainiert. Die "Observed/Expected" Ratio des totalen Lungenvolumens (O/E TLV) als prognostischer Marker für das postnatale Überleben wurde berechnet. Der Zusammenhang zwischen O/E TLV und postnatalen Todesfällen, sowie der Nowendigkeit einer extrakorporalen Membranoxygenierung (ECMO) wurde mittels binärer logistischer Regression untersucht.

Ergebnisse

208 fetale MRTs wurden eingeschlossen. Manuelles und DL FKV (1317±498 ml vs. 1306±491 ml; P=0,04; Dice score: 0,98±0,01) unterschieden sich geringgradig. Manuelle und DL-basierte TLV (19,4±11,5 ml vs. 18,7±12,4 ml; P=0,11; Dice score: 0,84±0,09) und O/E TLV (39,3±18,1 ml vs. 37,7±19,1 ml, P=0,13) waren identisch. Ein erhöhtes postnatales Todesrisiko war assoziert mit einem erniedrigten manuellen O/E TLV (odds ratio: 0,97 [95% confidence interval (CI): 0,96-0,98], P<0,001) und DL O/E TLV (odds ratio: 0,97 [95% CI: 0,96-0,98], P<0,001). Die Notwendigkeit einer ECMO war mit einer erniedrigten manuellen O/E TLV (odds ratio: 0,98 [95% CI: 0,98-0,99], P<0,001) und DL O/E TLV (odds ratio: 0,98 [95% CI: 0,98-0,99], P<0,001) assoziiert.

Schlussfolgerungen

Die Deep Learning basierte Körper- und Lungensegmentierung von Feten mit angeborener Zwerchfellhernie im MRT ermöglicht eine valide Berechnung der "Observed-Expected" Ratio des totalen Lungenvolumens und lässt zuverlässig auf postnatale Outcomeparameter schließen.

Teilnahme Young Investigator Award

10:50 - 10:55

Vortrag (Wissenschaft)

Zeitabhängige, machine learning-basierte Segmentierung Hepatozellulärer Karzinome in dynamischen digitalen Subtraktionsangiographie-Serien

Philipp Schindler (Münster)

weitere Autoren

Lucas Plagwitz (Münster) / Gesa Pöhler (Münster) / Michael Köhler (Münster) / Max Masthoff (Münster)

Zielsetzung

Ziel dieser Studie ist es, das Potential von zeitabhängigen Segmentierungsmodellen in dynamischen digitalen Subtraktionsangiographie-Serien (DSA) für die Erkennung und Charakterisierung von Hepatozellulärem Karzinom (HCC) in einem Datensatz von 115 Patienten zu untersuchen. Durch die Verwendung dynamischer Daten anstelle der konventionellen statischen CT- oder MRT-basierten-Texturanalyse sollen die Vorhersage- und Prognosefähigkeiten verbessert und damit das Patientenmanagement optimiert werden.

Material und Methoden

Bei insgesamt 115 Patienten mit HCC wurde für die transarterielle Chemoembolisation (TACE) eine DSA durchgeführt, die zeitabhängige dynamische Bilddaten liefert. Für die Verarbeitung der DSA-Serien wurde eine zeitabhängige U-Netzwerk-Architektur verwendet. Zwei Fachärzte, spezialisiert in interventioneller Onkologie, annotierten HCC-Tumore für das Training und die Kreuzvalidierung des maschinellen Lernalgorithmus während aller Messungen. Die Evaluierung der Perfomance des Segmentierungsmodells erfolgte anhand des Dice-Scores und der balancierten Genauigkeit.

Ergebnisse

Die machine learning-basierte Analyse unterscheidet erfolgreich HCC-Läsionen von benignem Lebergewebe auf der Grundlage dynamischer Texturmerkmale mit einem Dice Score von 0,54 und einer balancierten Genauigkeit von 0,78.

Schlussfolgerungen

Diese Studie unterstreicht den Wert dynamischer Daten für die Verbesserung der diagnostischen und prognostischen Prozesse beim HCC. Die Möglichkeit, wichtige Tumorcharakteristika in dynamischen Bildserien über die Zeit zu erkennen, verleiht der Patientenbeurteilung eine neue Dimension, die zu maßgeschneiderten und wirksameren Behandlungsstrategien führen kann.
10:55 - 11:00

Vortrag (Wissenschaft)

Steigerung der Workflow-Effizienz von Neuro-MRT durch optimiertes Facility Design und Deep Learning

Barbara Wichtmann (Bonn)

weitere Autoren

Alexander Herold (Boston, MA, USA) / Arhaan Gupta-Rastogi (Boston, MA, USA) / Wei-Ching Lo (Boston, MA) / Azadeh Tabari (Boston, MA, USA) / Bryan Clifford (Boston, MA, USA) / Andrew Sharp (Boston, MA, USA) / Sean P. Hartmann (Boston, MA, USA) / Min Lang (Boston, MA, USA) / John Conklin (Boston, MA, USA) / Stephen Cauley (Boston, MA, USA) / Michael Weber (Vienna, Austria) / Onofrio A. Catalano (Boston, MA, USA) / Fiona M. Fennessy (Boston, MA, USA) / James Brink (Boston, MA, USA) / Oleg Pianykh (Boston, MA, USA) / Susie Y. Huang (Boston, MA, USA)

Zielsetzung

Kürzere Protokolle, schnellere Untersuchungswechsel und längere Betriebszeiten ermöglichen Krankenhäusern eine bessere MRT-Ressourcennutzung. Ziel dieser Studie war es, den Einfluss eines optimierten Facility-Designs auf die Workflow-Effizienz bei ambulanten Neuro-MRTs zu untersuchen.

Material und Methoden

Diese retrospektive, IRB-/HIPAA-konforme Studie umfasste 8.434 Patient:innen (55±17Jahre; 3.487Männer), die von 04/2019-04/2024 Hirn-(36%), Hypophysen-(16%), HWS-(15%) oder LWS-(32%) MRTs erhielten. Alle Untersuchungen wurden an 3T-Scannern (MAGNETOM Vida, Siemens Healthineers, Forchheim, Deutschland) durchgeführt, die sich in einer von 2 traditionellen Referenzeinrichtungen (RF1:25%, RF2:23%) oder einer optimierten Einrichtung (OF:52%) mit 3 Scannern und 4 speziellen Vorbereitungsbuchten mit andockbaren Scannertischen befanden.
Effizienzmetriken wie Tischvorbereitungs-, Mess-, Tischwechsel- und Durchlaufzeiten sowie Pünktlichkeit wurden aus Scanner-Logs und elektronischen Patientenakten ermittelt und mittels dreifacher ANOVA und Chi-Quadrat-Tests analysiert.

Ergebnisse

In der OF waren die Tischvorbereitungs- und -wechselzeiten für alle anatomischen Regionen signifikant kürzer als in RF1/2, was die Durchlaufzeiten um 2,1-6,3 Minuten(6-19%) reduzierte (p<0,001). Die durchschnittlichen Messzeiten lagen nach Protokolloptimierung mit Deep Learning unter 15 Minuten.
Der Durchsatz in der OF war höher, mit einer jährlichen Wachstumsrate der Untersuchungen von 17% in RF1 (402 Scans/Scanner 2024), 23% in RF2 (772 Scans/Scanner 2024) und 72% in OF (901 Scans/Scanner 2024). Die Pünktlichkeit in der OF war signifikant höher, wobei 77% der Untersuchungen innerhalb von 5 Minuten nach dem geplanten Termin begannen, verglichen mit 50% bei RF1 und 63% bei RF2 (p<0,001).

Schlussfolgerungen

Das optimierte Facility-Design verbesserte die Effizienz der Neuro-MRTs signifikant und erhöhte Durchsatz und Pünktlichkeit. Die Ergebnisse belegen den strategischen Wert eines optimierten Facility-Designs zur Bewältigung steigender MRT-Nachfrage.

Teilnahme Young Investigator Award

11:00 - 11:05

Vortrag (Wissenschaft)

KI-gestützte Erkennung von metastasierenden Lymphknoten des Mediastinums und automatische Bestimmung des N-status bei Lungenkarzinomen

Yannic Elser (Lübeck)

weitere Autoren

Sofija Engelson (Lübeck) / Jan Ehrhardt (Lübeck) / Stefanie Schierholz (Lübeck) / Julia Andresen (Lübeck) / Daniel Drömann (Lübeck) / Tobias Keck (Lübeck) / Jörg Barkhausen (Lübeck) / Heinz Handels (Lübeck) / Malte Maria Sieren (Lübeck)

Zielsetzung

Die korrekte Erkennung metastasierter Lymphknoten (LN) des Mediastinums bei Patienten mit Lungenkarzinom ist entscheidend für die Therapieplanung. Das N-Staging quantifiziert die Ausbreitung der LN-Metastasen. CT- und PET-Scans ermitteln einen prätherapeutischen N-Status (cN), wobei die Beurteilung der LN nicht immer eindeutig ist. Künstliche Intelligenz (KI) hat das Potenzial, hier anzusetzen und die nicht invasive Beurteilung von LN in CT- und PET-Scans zu verbessern. Ziel dieser Studie ist die Entwicklung eines annotationsfreien KI-Algorithmus zur Erkennung metastasierter LN in PET- und CT-Scans und die automatische Bestimmung des N-Status.

Material und Methoden

Der verwendete hausinterne Datensatz enthält 353 Patienten mit operativ versorgtem Lungenkarzinom, einem postoperativen N-Status (pN) und präopertiver PET- und CT-Bildgebung. Aufgrund der geringen Anzahl an metastasierten LN wurden 42 weitere Fälle mit cN3 eingeschlossen. Wir registrierten einen öffentlichen Atlas auf unserem Datensatz und verwendeten unterschiedliche Trainingsstrategien mit Klassifikatoren zur Einteilung der Lymphknotenstationen (LNS) und regelbasierten Ansätzen zur Beurteilung des N-Status. Der vorgeschlagene Algorithmus wurde mit etablierten Basismodellen verglichen:

Ergebnisse

Unser Algorithmus übertraf die etablierten Basis Modelle bei LN-Bewertung auf PET/CT zur Vorhersage des cN mit einer Genauigkeit und ausgeglichenen Genauigkeit für die Klassifizierung von LN-Stationen von 0,88 und 0,81, und mit 0,63 und 0,59 für das N-Staging. Bei der LN-Bewertung auf CT zur Vorhersage des pN und der LN-Bewertung und der LN-Bewertung auf PET/CT zur Vorhersage des pN oiutperformen die etablierten Basismodelle unseren Algorithmus.

Schlussfolgerungen

Im Vergleich zu den Gesamtergebnissen der Studie übertrifft der Algorithmus die für die traditionelle PET/CT-Berichterstattung angegebene Genauigkeit von etwa 0,8 leicht. Wir beobachten einen Leistungsabfall, wenn der PET-Scan als zusätzliche Eingabemodalität für den Algorithmus weggelassen wird.
11:05 - 11:10

Vortrag (Wissenschaft)

AI Denoising verbessert die Patientenversorgung in der Herz-CT durch optimierte Bildqualität und Arbeitsabläufe

Andreas Brendlin (Tübingen)

weitere Autoren

Ulrich Schmid (Tübingen) / Saif Afat (Tübingen)

Zielsetzung

Ischämische Herzerkrankung ist eine erhebliche globale Gesundheitsbelastung.
Kalzium-Scoring (CAC) und die Koronar-CTA (CCTA) sind wertvolle Diagnostika, Bildrauschen kann eine Beurteilung aber erschweren.
AI Denoising (AID) Algorithmen bieten potenzielle Verbesserungen, ihr Einfluss auf Bildqualität und Nutzbarkeit von Herz-CT ist aber noch nicht hinreichend untersucht.
Diese Studie untersuchte die Auswirkungen eines AID-Algorithmus auf die Bildqualität von CAC und CCTA, die klinische Nutzbarkeit sowie die Workflow-Effizienz im Vergleich zur Standard-iterativen Rekonstruktion (IR).

Material und Methoden

Eine retrospektive Analyse von 100 Patienten mit CAC- und CCTA-Scans vom selben CT-Scanner wurde durchgeführt. Die IR- und AID-Rekonstruktionen ergaben 400 Datensätze, die von zwei Radiologen hinsichtlich der subjektiven Bildqualität mithilfe eines semiquantitativen Bewertungssystems bewertet wurden. Objektive Bildqualitätsmetriken (Stabilität der CT-Werte, Rauschen und CNR) wurden gemessen. Die klinische Nutzbarkeit wurde durch den Vergleich von kardiologischem Alter und Agatston-Score-Bewertungen vor und nach manuellen Korrekturen bewertet. Die Workflow-Effizienz wurde durch die Messung der Zeit für manuelle Korrekturen beim CAC-Scoring bestimmt.

Ergebnisse

AID zeigte eine signifikant höhere Gesamtqualität als IR (p<0,001), mit starker Intra-Rater-Reliabilität (r=1,00) und Inter-Rater-Agreement (r≥0,79).
AID hielt die CT-Werte stabil (p≥0,311), reduzierte jedoch das Rauschen und verbesserte die CNR (jeweils p<0,001).
Es gab keine Unterschiede im kardiologischen Alter. Die Agatston-Scores waren bei IR vor der manuellen Korrektur höher als bei DLD (p<0,001), stimmten jedoch nach der Korrektur überein (p≥0,158), was die klinische Nutzbarkeit bestätigt.
Zusätzlich erforderte AID weniger Zeit für manuelle Korrekturen als IR (p<0,001).

Schlussfolgerungen

Der untersuchte AID-Algorithmus verbessert die Patientenversorgung in der Kardio-CT, indem er die Bildqualität erhöht und radiologische Arbeitsabläufe optimiert.
11:10 - 11:15

Vortrag (Wissenschaft)

Automatisierte Segmentierung pulmonaler Arterien und Venen in Thorax-CTs

Karoline Heber (Bremen)

weitere Autoren

Bianca Lassen-Schmidt (Bremen) / Felix Thielke (Bremen) / Felix Meinel (Rostock)

Zielsetzung

Die Segmentierung pulmonaler Arterien und Venen (PA, PV) bietet wertvolle Unterstützung bei der Lungendiagnostik und Planung chirurgischer Tumorresektionen. Da manuelle Segmentierungen mit mehreren Stunden zeitaufwändig sind, werden automatisierte Lösungen dringend benötigt. Diese Studie zielt darauf ab, ein KI-Modell zur automatischen Multiklassen-Segmentierung von PA und PV auf Thorax-CTs zu entwickeln.

Material und Methoden

46 PatientInnen (63±10 Jahre, 41% weiblich) mit Lungenpathologien (Lungenkrebs, Atelektase, Emphysem-Bullae und Pneumothorax) wurden retrospektiv eingeschlossen. Die Bildakquisition von CTPAs in der arteriellen Phase erfolgte multizentrisch mit insgesamt 8 unterschiedlichen Scannern und variabler Schichtdicke (0.8-1.5mm). ExpertInnenannotationen der PA und PV lagen innerhalb der Lunge für alle Scans vor. Die Daten wurden in Trainings-, Validierungs- und Testsets (28/8/10 Fälle) aufgeteilt, um ein nnU-Net für die Segmentierung zu trainieren. Die quantitative Leistungsbewertung erfolgte mittels Dice (DSC) und clDice unter Verwendung des Medians und Konfidenzintervalls (Bootstrapping).

Ergebnisse

Die Analyse der 10 Testfälle ergab eine hohe Übereinstimmung zwischen Referenz und Modellvorhersagen mit DSC_PA=0.836% (95%-CI: 0.825-0.858) und DSC_PV=0.867% (95%-CI: 0.832-0.876). Die Segmentierungen zeigten visuell überwiegend zusammenhängende Gefäßstrukturen, was ein hoher clDice_PA=0.848% (95%-CI: 0.818-0.873) und clDice_PV=0.868% (95%-CI: 0.859-0.880) bestätigen. Falsch klassifizierte Äste traten in erkrankten und vereinzelt in gesunden Lungenbereichen auf.

Schlussfolgerungen

Das entwickelte Deep Learning-Modell kann den Großteil der PA und PV in den Testdaten korrekt und zuverlässig segmentieren. Es erreicht zwar noch nicht die Qualität einer manuellen Segmentierung durch RadiologInnen, liefert jedoch schnelle Ergebnisse und kann durch zusätzliche Trainingsdaten weiter optimiert werden. Es wird im RACOON-Netzwerk verteilt und steht allen Unikliniken für die Forschung zur Verfügung.

Teilnahme Young Investigator Award

11:15 - 11:20

Vortrag (Wissenschaft)

Vergleich von Retrieval-Mechanismen und Large Language Models zur automatisierten Beantwortung von Fragen zu neurovaskulären Leitlinien

Marius Vach (Düsseldorf)

weitere Autoren

Michael Gliem (Düsseldorf) / Vivien Ivan (Düsseldorf) / Daniel Weiss (Düsseldorf) / Christian Boschenriedter (Düsseldorf) / Christian Rubbert (Düsseldorf) / Julian Caspers (Düsseldorf)

Zielsetzung

Diese Studie evaluiert die Leistung verschiedener Retrieval-augmented Generation (RAG) Ansätze und Large Language Models (LLMs) bei der Beantwortung von Fragen zu zwei neurovaskulären Leitlinien.

Material und Methoden

Es wurden fünf Text Embedding Modelle zur Extraktion relevanter Informationen aus den Leitlinien „S3-Leitlinie Diagnostik, Therapie und Nachsorge der extracraniellen Carotisstenose“ und „S2e-Leitlinie Akuttherapie des ischämischen Hirninfarktes“ miteinander verglichen. Anschließend wurden fünf LLMs (GPT-4o-mini mit/ohne RAG, Llama 3.1 405B Instruct Turbo, Mixtral 8x22B Instruct und Claude 3.5 Sonnet) zur Generierung von Antworten evaluiert. Die Antworten wurden von einem Neuroradiologen und einem Neurologen als "korrekt", "ungenau" oder "falsch" klassifiziert.

Ergebnisse

Das Text Embedding Model "text-embedding-3-large" (OpenAI) erzielte den höchsten Recall (84,4%) beim Retrieval. Bei der Antwortgenerierung erreichte Claude 3.5 Sonnet die höchste Genauigkeit (70,6% Fragen korrekt, 18,8% ungenau, 10,6% falsch), gefolgt von Llama 3.1 405B Instruct Turbo (64,7% korrekt, 20,0% ungenau, 15,3% falsch). GPT-4o-mini ohne RAG zeigte die niedrigste Genauigkeit (20,0% korrekt, 47,1% ungenau, 32,9% falsch).

Schlussfolgerungen

RAG-basierte Ansätze verbessern signifikant die Genauigkeit von LLMs bei der Beantwortung von Fragen zu medizinischen Leitlinien. Die Kombination aus OpenAI "text-embedding-3-large" als Text Embedding Model und Claude 3.5 Sonnet als LLM für die Antwortgenerierung erwies sich als besonders effektiv. Diese Ergebnisse unterstreichen das Potenzial von KI-gestützten Systemen zur Unterstützung von Ärzten bei der schnellen und präzisen Extraktion von Informationen aus komplexen medizinischen Leitlinien.

Teilnahme Young Investigator Award

11:20 - 11:45

Diskussion

Diskussion

Runlog

Öffnen