Bleiben Sie auf dem Laufenden: Die Transformation der Radiologie dank strukturierter Befundung und datengesteuerter Ansätze

Erkundigen Sie sich über unsere Aktivitäten, Projekte und Produkt-Updates, informieren Sie sich über die neuesten Branchennachrichten, und erfahren Sie, was uns als Unternehmen und als Team ausmacht.

Ein Bild von Prof. Dr. Thorsten Persigehl neben einem Zitat über die Bedeutung von mint Lesion™ für radCIO

Herausforderungen und Chancen des Aufbaus einer umfangreichen onkologischen Bildgebungsdatenbank

In einem exklusiven Interview mit Prof. Dr. Thorsten Persigehl, einem führenden Experten für onkologische Bildgebung, sprachen wir über das transformative radCIO-Projekt an der Uniklinik Köln.

Prof. Persigehl gibt Einblicke in die Herausforderungen und Möglichkeiten, die mit der Etablierung einer umfassenden onkologischen Bildgebungsdatenbank innerhalb des Radiologischen Zentrums für Integrierte Onkologie (radCIO) verbunden sind. Er erläutert das primäre Ziel, die Versorgung von Krebspatienten durch optimierte radiologische Prozesse und Digitalisierung zu verbessern.

Das Interview enthüllt auch die entscheidende Rolle von mint Lesion™ als Rückgrat von radCIO, das die Initiative zur digitalisierten Archivierung von Radiologiedaten vorantreibt und erweiterte Analysen ermöglicht, einschließlich Radiomics und Anwendungen der künstlichen Intelligenz (KI).

Erfahren Sie mehr über die Entwicklung einer modernen IT-Plattform, die strukturierte Daten effizient archiviert, ihre Integration in den klinischen Kontext sicherstellt und einen nahtlosen digitalen Austausch innerhalb des onkologischen Ökosystems ermöglicht.

Lesen Sie hier das Interview.

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…