| |  Online-Ressource |
|---|
| Verfasst von: | Kleesiek, Jens Philipp [VerfasserIn]  |
|---|
| | Murray, Jacob [VerfasserIn] |
|---|
| | Kaissis, Georgios [VerfasserIn] |
|---|
| | Braren, Rickmer [VerfasserIn] |
|---|
| Titel: | Künstliche Intelligenz und maschinelles Lernen in der onkologischen Bildgebung |
|---|
| Paralleltitel: | Artificial intelligence and machine learning in oncologic imaging |
|---|
| Verf.angabe: | Jens Kleesiek, Jacob M. Murray, Georgios Kaissis, Rickmer Braren |
|---|
| Jahr: | 2020 |
|---|
| Umfang: | 6 S. |
|---|
| Illustrationen: | Illustrationen |
|---|
| Fussnoten: | "Online publiziert: 20. November 2019".- S. 60 ; Gesehen am 19.09.2024 |
|---|
| Titel Quelle: | Enthalten in: Der Onkologe |
|---|
| Ort Quelle: | Berlin : Springer, 1996 |
|---|
| Jahr Quelle: | 2020 |
|---|
| Band/Heft Quelle: | 26(2020), 1, Seite 60-65 |
|---|
| ISSN Quelle: | 1433-0415 |
|---|
| Abstract: | Maschinelles Lernen (ML) hält gegenwärtig Einzug in vielen Bereichen der Gesellschaft, so auch in der Medizin. Diese Transformation birgt das Potenzial, das Berufsbild und den Berufsalltag drastisch zu verändern, auch wenn diese Neuerungen bis jetzt nur vereinzelt die klinische Praxis beeinflussen und mit Risiken verbunden sein können. In den Stadien und der Interaktion zwischen den Disziplinen und Modalitäten der onkologischen Patientenversorgung wird dies besonders deutlich. Computer erbringen in mehreren Forschungsarbeiten in Kollaboration mit Menschen oder allein bereits bessere Ergebnisse als Menschen in der Tumoridentifikation, ihrer Klassifikation sowie beim Erstellen von Prognosen und der Evaluation von Therapien. Zudem können Algorithmen - z. B. künstliche neuronale Netze (KNN), welche für viele der gegenwärtigen Errungenschaften im ML-Feld verantwortlich sind - dies reproduzierbar, schnell und kostengünstig erbringen. |
|---|
| DOI: | doi:10.1007/s00761-019-00679-4 |
|---|
| URL: | Bitte beachten Sie: Dies ist ein Bibliographieeintrag. Ein Volltextzugriff für Mitglieder der Universität besteht hier nur, falls für die entsprechende Zeitschrift/den entsprechenden Sammelband ein Abonnement besteht oder es sich um einen OpenAccess-Titel handelt.
Volltext: https://doi.org/10.1007/s00761-019-00679-4 |
|---|
| | Volltext: https://link.springer.com/article/10.1007/s00761-019-00679-4 |
|---|
| | DOI: https://doi.org/10.1007/s00761-019-00679-4 |
|---|
| Datenträger: | Online-Ressource |
|---|
| Sprache: | ger |
|---|
| Sach-SW: | Computer-assisted image processing |
|---|
| | Computergestützte Bildverarbeitung |
|---|
| | Deep Learning |
|---|
| | Diagnostic imaging |
|---|
| | Diagnostische Bildgebung |
|---|
| | Machine learning |
|---|
| | Maschinelles Lernen |
|---|
| | Medical Imaging |
|---|
| | Neural networks (computer) |
|---|
| | Neuronale Netze (Computer) |
|---|
| K10plus-PPN: | 1903019400 |
|---|
| Verknüpfungen: | → Zeitschrift |
|---|
Künstliche Intelligenz und maschinelles Lernen in der onkologischen Bildgebung / Kleesiek, Jens Philipp [VerfasserIn]; 2020 (Online-Ressource)
