Background: There are a multitude of application possibilities of artificial intelligence (AI) and structured reporting (SR) in radiology. The number of scientific publications have continuously increased for many years. There is an extensive portfolio of available AI algorithms for, e.g. automatic detection and preselection of pathologic patterns in images or for facilitating the reporting workflows. Even machines already use AI algorithms for improvement of operating comfort.
Method: The use of SR is essential especially for the extraction of automatically evaluable semantic data from radiology results reports. Regarding eligibility in certification processes, the use of SR is mandatory for the accreditation of the German Cancer Society as an oncological center or outside Germany, such as the European Cancer Center.
Results: The data from SR can be automatically evaluated for the purpose of patient care, research and educational purposes and quality assurance. Lack of information and a high degree of variability often hamper the extraction of valid information from free-text reports using neurolinguistic programming (NLP). Against the background of supervised training, AI algorithms or k‑nearest neighbors (KNN) require a considerable amount of validated data. The semantic data from SR can also be processed by AI and used for training.
Conclusion: The AI and SR are separate entities within the field of radiology with mutual dependencies and significant added value. Both have a high potential for profound upcoming changes and further developments in radiology.
Zusammenfassung: HINTERGRUND: Es gibt vielfältige Anwendungsmöglichkeiten der strukturierten Befundung („structured reporting“, SR) und der künstlichen Intelligenz (KI) in der Radiologie. Die Anzahl der wissenschaftlichen Publikationen steigt seit vielen Jahren kontinuierlich. Es existiert ein umfangreiches Portfolio verfügbarer KI-Algorithmen, die z. B. für die automatisierte Detektion und Vorselektion von Pathologien oder für die Erleichterung von Arbeitsabläufen innerhalb des Befundungsworkflows angeboten werden. Auch Geräte nutzen bereits KI-Algorithmen für die Verbesserung des Bedienungskomforts.
Methode: Die SR ist insbesondere für die Erfassung von maschinell auswertbaren, semantischen Daten aus radiologischen Befundberichten erforderlich. Vor dem Hintergrund von Zertifizierungsprozessen ist ihre Verwendung bereits Voraussetzung für die Akkreditierung der Deutschen Krebsgesellschaft als onkologisches Zentrum oder außerhalb Deutschlands als European Cancer Centre.
Ergebnisse: Die mittels SR erfassten Daten können maschinell zu Zwecken der Patientenversorgung, Forschung, Lehre und Qualitätssicherung ausgewertet werden. Die Extraktion valider Informationen aus Befundberichten in Prosaform mittels NLP (neurolinguistisches Programmieren) ist aufgrund der großen Variabilität und v. a. fehlender Informationen deutlich erschwert. Vor dem Hintergrund des überwachten Lernens werden für das Training von KI-Algorithmen oder KNN („k-nearest neighbours“) große Mengen validierter Daten benötigt. Auch die semantischen Daten aus strukturierten Befundberichten können von KI verarbeitet und zum Training verwendet werden.
Schlussfolgerung: KI und SR stellen somit Entitäten eines Kontinuums innerhalb der Radiologie dar, die sich zum Teil gegenseitig bedingen und vor allem sinnvoll ergänzen. Beide haben in diesem Feld ein großes Potenzial für tiefgreifende, anstehende Veränderungen und Weiterentwicklungen.
Keywords: Algorithms; Artificial neural networks; Big data; Machine learning; Neurolinguistic programming.
© 2021. Springer Medizin Verlag GmbH, ein Teil von Springer Nature.