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 Radiologen, die auf einen Bildschirm schauen, auf dem das Restaging des HNSCC angezeigt wird

Studie hebt das Potenzial von Radiomics in medizinischen Interventionen hervor

Eine kürzlich an der Medizinischen Universität Innsbruck durchgeführte Studie hebt das Potenzial von Radiomics zur Untersuchung der Effekte einer Radiochemotherapie (RCT) auf Patienten mit Plattenepithelkarzinom des Kopf-Hals-Bereichs (HNSCC) hervor. Diese Studie ist die erste, die kurzfristige durch RCT induzierte Veränderungen der Skelettmuskulatur bei HNSCC-Patienten mit Hilfe von Radiomics untersucht, einem datengesteuerten Ansatz, der auf die Extraktion und Verarbeitung quantitativer Daten zur Analyse bildbasierter Informationen abzielt.

Mit Unterstützung des mint Lesion™ Radiomics-Moduls wurden strahleninduzierte Veränderungen des Musculus sternocleidomastoideus (SCM) und der paravertebralen Muskulatur (PVM) nach RCT analysiert. Anhand der Auswertung zentraler Radiomic Features wie Volumen, mittlere Positivität der Pixel und Gleichmäßigkeit konnte das Forschungsteam das optimale Zeitfenster von 6 bis 12 Wochen für eine Salvage-OP nach RCT bestätigen, wodurch das Komplikationsrisiko durch Gewebefibrose minimiert wird. Diese Ergebnisse verdeutlichen, wie Radiomics medizinische Behandlungsansätze optimieren kann und bieten eine vielversprechende Richtung für die weitere Forschung in diesem Bereich.

Lesen Sie mehr über die Studie.

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…