Wissensportal für Fachkräfte der medizinischen Bildgebung: Radiologie durch strukturierte Befundung, datenbasierte Ansätze und multizentrische Forschung weiterentwickeln

Erhalten Sie Zugang zu wegweisender Forschung, innovativen Fallbeispielen und gemeinsamen Projekten, die die Radiologie weltweit vorantreiben. Entdecken Sie unsere Aktivitäten und Produktneuigkeiten und lernen Sie uns als Unternehmen und Team kennen.

Interview mit Prof. Dr. Timm Denecke über das RACOON-MARDER-Projekt zur KI-gestützten Früherkennung von Leberkrebs mittels MRT.

Früherkennung neu gedacht: Wie RACOON-MARDER Leberkrebs früher sichtbar machen will

Das hepatozelluläre Karzinom (HCC) wird oft erst spät entdeckt – mit gravierenden Folgen für Therapie und Überlebenschancen. Das Forschungsprojekt RACOON-MARDER will das ändern. Mit MRT-Bildgebung, klinischen Daten und KI-gestützter Risikostratifizierung sollen Patient:innen identifiziert werden, die ein besonders hohes Risiko für HCC haben. So könnte ein personalisiertes, engmaschiges Screening etabliert werden, das über die Möglichkeiten der herkömmlichen Sonographie hinausgeht.

Im Interview erklärt Prof. Dr. Timm Denecke (Universitätsklinikum Leipzig), wie KI das Unsichtbare sichtbar machen kann – und warum die RACOON-Infrastruktur dafür entscheidend ist.

Mehr darüber lesen Sie hier.

Ähnliche Inhalte

Ähnliche Inhalte

mint Lesion Screenshot mit HCC Diagnose laut APASL, AASLD, LI-RADS, LCA-NCC und EASL Leitlinien.

Multizentrische Studie: Vergleich diagnostischer Leitlinien für hepatozelluläres Karzinom

Neueste Fortschritte in MRT-Techniken und der Tumorbiologie haben zu aktualisierten Diagnoseleitlinien verschiedener Leberforschungsverbände für das…

Radiologe nutzt KI zur Auswertung medizinischer Bilder

Förderung des föderierten Lernens in der Radiologie in der Praxis

Federated Learning (FL) ermöglicht kollaboratives Modelltraining ohne Datenzentralisierung - ein entscheidender Aspekt für die radiologische…

Schematische Darstellung der Federated-Learning Studie und ihrer Dateninfastruktur

RACOON: Ein Leitfaden zur Überbrückung der Kluft zwischen simulierter und realer Forschung im Bereich des föderalen Lernens

Deep Learning (DL) ist ein wichtiger Bestandteil der radiologischen Bildanalyse geworden. Um diese Deep-Learning-Modelle zu trainieren, ist der Zugang…