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 II)

Radiologie und IT - Effizienz im Fokus: Workflow und KI (Part II)
Mittwoch, 28. Mai 2025 · 12:00 bis 12:45 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

12:00 bis 12:45 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

12:00 - 12:05

Vortrag (Wissenschaft)

Kann Deep Learning die diagnostische Sicherheit von Tumore in CT-Staging-Untersuchungen verbessern?

Andreas Heinrich (Jena)

weitere Autoren

Marie Bertl (Jena) / Friedrich-Georg Hahne (Jena)

Zielsetzung

Die Rekonstruktion von Computertomographie (CT)-Bildern mit Deep Learning verbessert häufig die allgemeine Bildqualität im Vergleich zu iterativen Rekonstruktionsmethoden. Die Sichtbarkeit von konkreten Tumorfunden wurde jedoch nur selten untersucht. Diese Studie verglich kontrastmittelverstärkte Tumordarstellungen in der CT, indem 24 Radiologen im Blindverfahren verschiedene Rekonstruktionstechniken (Deep Learning vs. iterative Rekonstruktion) bewerteten.

Material und Methoden

In dieser retrospektiven Studie evaluierten 24 Radiologen (19 Junior- und 5 Senior-Radiologen) 33 Tumorfunde aus CT-Staging-Untersuchungen mit einer 5-Punkte-Likert-Skala hinsichtlich Bildinterpretation, diagnostischer Sicherheit und struktureller Differenzierbarkeit. Die Befunde wurden in zufälliger Reihenfolge und blind mit vier Rekonstruktionsmethoden in zwei Kontrastmittelphasen (portal-venös und arteriell) dargestellt: Deep Learning Bildrekonstruktion (DLIR) mit „Low“ und „High“ sowie adaptive statistische iterative Rekonstruktion – Volume (ASIR-V) mit 50 % und 100 % Blendefaktoren.

Ergebnisse

DLIR-High war in beiden Kontrastmittelphasen die bevorzugte Bildrekonstruktion hinsichtlich Bildinterpretation, diagnostischer Sicherheit und struktureller Differenzierung. Die Bewertungen für jedes Kriterium waren insgesamt: 4,21 ± 0,95 (DLIR-High), 4,00 ± 0,91 (DLIR-Low), 3,78 ± 0,96 (ASIR-V 50 %) und 2,91 ± 0,17 (ASIR-V 100 %). Die Bilder der portal-venösen Phase wurden nicht signifikant höher bewertet als die der arteriellen Phase (p > 0,19). Zudem gab es in der Bewertung keinen signifikanten Unterschied zwischen Junior- und Senior-Radiologen (p = 0,837).

Schlussfolgerungen

Deep Learning verbessert nicht nur die Bildqualität, sondern auch die präzise Darstellung von Tumorbefunden, wodurch die diagnostische Sicherheit erhöht wird. Dieser Vorteil ist unabhängig von der beruflichen Erfahrung des Radiologen oder der Kontrastmittelphase, was darauf hindeutet, dass Deep Learning in Zukunft die iterative Rekonstruktion voraussichtlich ersetzen wird.
12:05 - 12:10

Vortrag (Wissenschaft)

Große Sprachmodelle als potenzielle Ratgeber für die radiologische Arbeitsplatzorganisation

Patricia Leutz-Schmidt (Heidelberg)

weitere Autoren

Viktoria Palm (Heidelberg) / Rene Mathy (Heidelberg) / Hans-Ulrich Kauczor (Heidelberg) / Sam Sedaghat (Heidelberg)

Zielsetzung

Diese Studie untersucht das Potenzial von ChatGPT-3.5 und ChatGPT-4.0 für die Arbeitsplatzorganisation in der Radiologie.

Material und Methoden

ChatGPT-3.5 und ChatGPT-4.0 (OpenAI, USA) generierten auf 30 vorab ausgewählte Fragen Antworten zu vier verschiedenen Bereichen der Arbeitsplatzorganisation in der Radiologie: 1) Patientenmanagement, 2) Bildgebung und Strahlenmanagement, 3) Lernen und persönliche Entwicklung, 4) Verwaltung und Abteilungsmanagement. Zwei Reader bewerteten unabhängig voneinander die von den Sprachmodellen bereitgestellten Antworten. Zur Beurteilung der Antwortqualität wurde ein kürzlich entwickeltes, neuartiges Scoringsystem benutzt. Dieses beinhaltet den Mean Quality (MQS), bestehend aus dem Overall Quality Score (OQS), Implementability Score (IS) und Understandability Score (US). Ein mittlerer Scoringwert von mindestens 3 wurde als Benchmark für eine zuverlässige Antwort angesehen.

Ergebnisse

Die Interrater-Reliabilität (IRR) war insgesamt gut für ChatGPT-3.5 (k=65 %) und moderat für ChatGPT-4.0 (k=54 %), was möglicherweise auf mehr Variabilität in den Antworten von ChatGPT-4.0 hindeutet. Beim MQS war ChatGPT-4.0 mit 3,75 deutlich besser als ChatGPT-3.5 mit 3,36. Auch beim OQS, US and IS erzielte ChatGPT-4.0 in allen Kategorien höhere Bewertungen als ChatGPT-3.5, während ChatGPT-4.0 in allen Ratings und ChatGPT-3.5 in den meisten Ratings die Benchmark von 3 überschritt. Diese konstant höhere Leistung unterstreicht die Weiterentwicklung von ChatGPT-4.0 und zeigt sich auch in den statistischen Analysen, die p-Werte zwischen <0.001 und 0.002 ergaben.

Schlussfolgerungen

Beide Sprachmodelle schnitten bei Fragen zur Arbeitsplatzorganisation in der Radiologie gut ab. ChatGPT-4.0 übertraf ChatGPT-3.5 signifikant in der Antwortqualität. Die Ergebnisse verdeutlichen die über die einfache Textanalyse hinausgehende Bedeutung großer Sprachmodelle in der Radiologie.
12:10 - 12:15

Vortrag (Wissenschaft)

Beeinflusst die Art der Befundung die diagnostische Performanz von Radiologen? - Eine Eye Tracking-Studie

Robert Siepmann (Aachen)

weitere Autoren

Mahta Khoobi (Aachen) / Christiane Kuhl (Aachen) / Daniel Truhn (Aachen) / Sven Nebelung (Aachen)

Zielsetzung

Neben der strukturierten Befundung unter Nutzung Modalitäten- bzw. Anatomie-spezifischer Befundungsvorlagen hält künstliche Intelligenz (KI) zunehmend Eingang in die radiologische Befundung. Zielsetzung dieser Studie ist die Untersuchung der Auswirkungen der Befundungsart auf Bildanalyseverhalten und diagnostische Genauigkeit von Radiologen.

Material und Methoden

In dieser prospektiven Studie befundeten sechs Radiologen unterschiedlicher Erfahrungsgrade und zwei Medizinstudenten im Praktischen Jahr jeweils 35 Thoraxröntgenbilder (liegend, anteroposteriore Projektion, Intensivstation) auf drei Befundungsarten: (i) Freitext, (ii) strukturierte Befundungsvorlage und (iii) durch KI vorausgefüllte strukturierte Befundvorlage. Die Radiologen beurteilen Pleuraerguss, Infiltrate, Stauung, Atelektase und Herzgröße semiquantitativ und unter Nutzung eines Monitor-basierten Eye-Trackers, der Metriken wie Fixationen jeweils für die Befundungs- und Bildhälfte des Monitors separat erfasste. Die diagnostische Genauigkeit wurde durch den Vergleich mit der Mehrheitsmeinung erfahrener Radiologen (n=6, ground truth) quantifiziert (Cohens κ). Die statistische Analyse wurde Modell-basiert vorgenommen (GLMM) auf Basis eines Signifikanzniveaus von α<0.001.

Ergebnisse

Die diagnostische Genauigkeit war am höchsten für die KI-assistierte strukturierte Befundung (κ[iii]=0.71 vs. κ[i]=0.58 vs. κ[ii]=0.60). Die Nutzung der strukturierten Befundungsvorlage, unabhängig von KI-Assistenz, reduzierte die Bearbeitungszeit pro Bild. Sowohl die Fixations- als auch die insgesamte Betrachtungsdauer des Befundungsanteils reduzierte sich signifikant bei Nutzung der strukturierten Befundungsvorlage mit und ohne KI-Assistenz gegenüber dem Freitextformat. Diese Reduktion galt nicht für den Bildgebungsanteil.

Schlussfolgerungen

Die Nutzung von strukturierten Befundungsvorlagen ist zeiteffizient und verlagert den visuellen Fokus vom Befundungs- auf den Bildgebungsanteil. Die Einführung von KI-Assistenz verbessert die diagnostische Genauigkeit von Radiologen.
12:15 - 12:20

Vortrag (Wissenschaft)

Automatisierte Bestimmung von MRT-Protokollen mittels GPT-4 anhand radiologischer Anforderungsformulare aus der klinischen Routine.

Robert Terzis (Köln)

weitere Autoren

Kenan Kaya (Köln) / Thomas Schömig (Köln) / Jan-Paul Janßen (Köln) / Andra-Iza Iuga (Köln) / Jonathan Kottlors (Köln) / Simon Lennartz (Köln) / Carsten Gietzen (Köln) / Cansins Gözdas (Köln) / David Maintz (Köln) / Thomas Dratsch (Köln) / Lenhard Pennig (Köln)

Zielsetzung

Lange Akquisitionszeiten begrenzen die MRT-Verfügbarkeit, was optimierte Protokolle für eine effiziente Scannernutzung erfordert. Ziel der Studie war es, die Fähigkeit von GPT-4 zur korrekten Sequenzwahl für MRT-Untersuchungen im Vergleich zu Assistenzärzten zu evaluieren.

Material und Methoden

In dieser retrospektiven Studie wurden 100 MRT-Anforderungen von stationären (n=68) und ambulanten (n=32) Patienten aus vier Fachbereichen untersucht (kardiale, neuroradiologische, muskuloskelettale und onkologische Bildgebung). GPT-4 und zwei Assistenzärzte (R1: 2 Jahre und R2: 5 Jahre Erfahrung) wählten basierend auf der Krankengeschichte und klinischen Fragestellung die MRT-Sequenzen. Sechs erfahrene Oberärzte bewerteten die Protokolle nach Vollständigkeit, Qualität und Nutzen auf einer 5-Punkte-Skala (5=keine relevanten Fehler/sehr nützlich) im Konsens. Ein leitender MTRA prüfte die klinische Anwendbarkeit durch eine binäre Bewertung.

Ergebnisse

Die von GPT-4 bestimmten Protokolle erzielten Werte von 3 (Median, [IQR: 1-5]) für Vollständigkeit, 4 [1-5] für Qualität und 4 [1-5] für Nutzen, was vergleichbar mit R1 (3 [1-5], 4 [1-5], 4 [1-5]; p>0.05) und unterlegen gegenüber R2 (4 [1-5], 5 [1-5], 5 [1-5]; p<0.001) war. In der kardialen Bildgebung generierte GPT-4 Protokolle mit einer Qualität von 4 [2-4], was besser als R1 (4 [2-5], p<0.05) und vergleichbar mit R2 (5 [1-5], p>0.05) war. Neuroradiologisch waren keine Unterschiede zwischen GPT-4 und den menschlichen Lesern festzustellen (alle 5 [1-5]; p>0.05). In der muskuloskelettalen Bildgebung erzielte GPT-4 (3 [2-5]) niedrigere Ergebnisse als die Assistenzärzte (R1: 4 [3-5], R2: 5 [3-5]; beide p<0.001). In der Onkologie war GPT-4 (4 [1-5]) leicht besser als R1 (2 [1-4], p>0.05) und unterlegen gegenüber R2 (5 [3-5], p<0.01). Aus Sicht der MTRA waren die von GPT-4 generierten Protokolle in 95 % der Fälle klinisch anwendbar, was vergleichbar mit R1 (95 %) und R2 (96 %) war.

Schlussfolgerungen

GPT-4 generierte MRT-Protokolle mit hoher Vollständigkeit, Qualität und klinischer Anwendbarkeit, insbesondere in standardisierten Bereichen wie kardialer Bildgebung und Neuroradiologie. In der muskuloskelettalen Bildgebung waren die Ergebnisse moderat. GPT-4 kann weniger erfahrene Radiologen bei der MRT-Protokollerstellung unterstützen und der zunehmenden Arbeitsbelastung entgegenwirken.

Teilnahme Young Investigator Award

12:20 - 12:25

Vortrag (Wissenschaft)

Automatisierter Protokollvorschlag kranialer MRT-Untersuchungen mithilfe von Large Language Models

Christian Boschenriedter

weitere Autoren

Christian Rubbert (Düsseldorf) / Marius Vach (Düsseldorf) / Julian Caspers (Düsseldorf)

Zielsetzung

Für aussagekräftige MRT-Aufnahmen müssen Untersuchungssequenzen so gewählt werden, dass die Fragestellung unter Berücksichtigung der Patientenanamnese sicher beantwortet werden kann. Eine ungeeignete Protokollwahl kann die Aussagekraft beeinträchtigen, die Scandauer verlängern und Fehldiagnosen begünstigen. Üblicherweise legen Radiologen anhand ihrer Expertise passende Protokolle fest, was zeitaufwändig und interindividuell variabel sein kann. Sprachmodelle (Large Language Models, LLMs) bieten das Potential, diesen Prozess zu vereinfachen. In dieser Studie soll untersucht werden, inwieweit moderne LLMs eine MRT-Protokollfestlegung anhand der Angaben der Zuweisenden ermöglichen.

Material und Methoden

Es wurden Protokolle für 410 anonymisierte, elektronische Anforderungen von kranialen MRT-Untersuchungen aus dem lokalen Order-Entry-System durch einen erfahrenen Neuroradiologen festgelegt, wobei die Zuordnung zu insgesamt neun Klassen erfolgte. Eine lokale Instanz des auf deutscher medizinischer Sprache vortrainierten Sprachmodells medBERT.de wurde nachtrainiert (Fine-Tuning), um die festgelegten Protokolle anhand der Order-Entry-Einträge in den Feldern Vordiagnosen, bisheriger Therapieverlauf und Fragestellung zu klassifizieren. Training und Evaluation erfolgten mittels 5-facher Kreuzvalidierung mit jeweils 60 Trainingsepochen.

Ergebnisse

Das Modell konnte 82% aller Protokolle korrekt vorhersagen, erzielte einen Macro-F1-Score von 0,72, eine ROC-AUC von 0,94 sowie Werte von 0,77 für Macro-Precision und 0,71 für Macro-Recall. Die häufigste Klasse (Schädel mit Kontrastmittel) wurde zu 94% korrekt bestimmt. Die seltenste Klasse (Epilepsie) wurde zu 44% korrekt klassifiziert.

Schlussfolgerungen

Die Vorhersage von Untersuchungssequenzen mithilfe von Large Language Models zeigt selbst bei begrenzten Trainingsdaten vielversprechende Ergebnisse. Ein solcher Ansatz bietet großes Potential, durch automatisierte Protokollvorschläge den Prozess der radiologischen Protokollfestlegung zu beschleunigen und stärker zu standardisieren.
12:25 - 12:30

Vortrag (Wissenschaft)

Strukturelle Veränderungen im Pankreas bei Diabetes mellitus Typ 1 und Typ 2: Korrelation mit HbA1c-Werten mittels KI-gestützter Pankreassegmentierung und Organkonfigurationsanalyse

Saskia Egger-Hackenschmidt (Erlangen)

weitere Autoren

Andrea Prenner (Erlangen) / Johanna Müller (Erlangen) / Sebastian Arndt (Erlangen) / Kaan Türkan (Erlangen) / Bernhard Kainz (Erlangen) / Michael Uder (Erlangen) / Matthias May (Erlangen)

Zielsetzung

Diese Studie zielt darauf ab, strukturelle Veränderungen des Pankreas bei Patienten mit Diabetes mellitus Typ 1 (DM1) und Typ 2 (DM2) durch die Anwendung künstlicher Intelligenz in CT-Bildgebungen automatisch zu analysieren. Pankreatische Verfettung und Verkalkung werden in Korrelation zu HbA1c-Werten als Marker für den Krankheitsverlauf und die metabolische Kontrolle untersucht.

Material und Methoden

Die retrospektive Studie umfasst 22 Patienten mit der Diagnose DM1 oder DM2, bei denen zwischen 2019 und 2024 am Universitätsklinikum Erlangen 44 Untersuchungen durchgeführt wurden. Abdominelle CT-Scans wurden innerhalb von ±3 Monaten nach der HbA1c-Messung durchgeführt, wobei Patienten mit vorheriger Pankreatitis oder Pankreasneoplasien ausgeschlossen wurden. Die Segmentierung des Pankreasvolumens erfolgte mittels eines nnU-Net-Modells, das auf einem Datensatz von 1000 CT-Bildern aus öffentlich zugänglichen Quellen trainiert wurde. Ein Python-Skript berechnete Verfettungs- und Verkalkungsscores unter Verwendung von Schwellenwerten von >300 HU für Verkalkungen und -100 bis 30 HU für Fett, ausgedrückt als Verhältnis des erkrankten zum gesamten Pankreasvolumen.

Ergebnisse

Es wurden keine signifikanten Unterschiede in der Pankreasverfettung (p = 0,44) und Verkalkung (p = 0,41) zwischen DM2-Patienten mit niedrigen und hohen HbA1c-Werten festgestellt. In der DM1-Gruppe zeigte sich eine starke positive Korrelation (0,81) zwischen Verkalkung und HbA1c, was darauf hindeutet, dass eine höhere Verkalkung mit einer schlechteren glykämischen Kontrolle assoziiert ist. Eine moderate Korrelation (0,67) zwischen Fett und HbA1c lässt eine beeinträchtigte Glukoseregulation bei höherem Fettgehalt erkennen, während die schwache Korrelation (0,20) zwischen Fett und Verkalkung darauf hinweist, dass jene Faktoren in dieser Gruppe unabhängig voneinander wirken.

Schlussfolgerungen

Pankreatische Verfettung und Verkalkung könnten als wertvolle opportunistische bildgebende Biomarker für den Verlauf von DM dienen. KI-basierte Werkzeuge bieten einen vielversprechenden Ansatz für eine präzise, automatisierte Evaluation und ermöglichen neue Einblicke in Risikobewertung und personalisierte Therapie bei DM-Patienten.

Teilnahme Young Investigator Award

12:30 - 12:45

Diskussion

Diskussion

Runlog

Öffnen