Jetzt teilnehmen

Bitte loggen Sie sich ein, um Ihre Teilnahme an diesem Webinar zu bestätigen. Sie sind dann vorgemerkt und werden, falls das Webinar innerhalb der nächsten 10 Minuten beginnt, sofort weitergeleitet.

Findet das Webinar zu einem späteren Zeitpunkt statt, kommen Sie kurz vor Beginn des Webinars erneut, um am Webinar teilzunehmen.

Einfach buchen

Buchen Sie jetzt RÖKO DIGITAL des 105. Deutscher Röntgenkongress und 10. Gemeinsamer Kongress von DRG und ÖRG und verpassen Sie keines unserer lehrreichen und informativen Webinare zu verschiedenen Themen der Radiologie.

  • Wissenschaft & Fortbildung
  • CME-Punkte
  • Themenvielfalt
  • Dialog & Interaktion

Jetzt teilnehmen

Bitte loggen Sie sich ein, um Ihre Teilnahme an diesem Webinar zu bestätigen. Sie sind dann vorgemerkt und werden, falls das Webinar innerhalb der nächsten 10 Minuten beginnt, sofort weitergeleitet.

Findet das Webinar zu einem späteren Zeitpunkt statt, kommen Sie kurz vor Beginn des Webinars erneut, um am Webinar teilzunehmen.

Ohne Buchung.

Sie können an dieser Veranstaltung auch ohne Buchung von RÖKO DIGITAL des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG kostenfrei teilnehmen.

Eine Teilnahmebescheinigung erhalten nur Personen, die das digitale Modul „RÖKO DIGITAL“ des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG gebucht haben oder noch nachbuchen.

Um teilzunehmen kommen Sie ca. 10 Minuten vor Beginn wieder. Freischaltung zur Teilnahme in:

Sie können an dieser Veranstaltungen auch ohne Buchung von RÖKO DITITAL des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG kostenfrei teilnehmen.

Eine Teilnahmebescheinigung erhalten nur Personen, die das digitale Modul „RÖKO DIGITAL“ des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG gebucht haben oder noch nachbuchen.

Melden Sie sich bitte hier an:

Bitte beachten Sie die Datenschutzhinweise.

Kongressteilnehmer.

Als Teilnehmer am RÖKO DIGITAL des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG loggen Sie sich bitte ein, um an dieser Industrie­veranstaltung teilzunehmen.

Ohne Buchung.

Sie können an Industrie­veranstaltungen auch ohne Buchung von RÖKO DIGITAL des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG kostenfrei teilnehmen.

Um teilzunehmen kommen Sie ca. 10 Minuten vor Beginn wieder. Freischaltung zur Teilnahme in:

Sie können an Industrie­veranstaltungen auch ohne Buchung von RÖKO DIGITAL des 105. Deutscher Röntgenkongresses und 10. Gemeinsamer Kongress von DRG und ÖRG kostenfrei teilnehmen. Melden Sie sich bitte hier an:

Bitte beachten Sie die Datenschutzhinweise.

Das ist eine Meldung

Stet clita kasd gubergren, no sea takimata sanctus est. Ut labore et dolore aliquyam erat, sed diam voluptua.

RK/WISS 102

Radiologie und IT II - Large Language Models und ihr Einsatz in der Radiologie

Radiologie und IT II - Large Language Models und ihr Einsatz in der Radiologie
Mittwoch, 8. Mai 2024 · 11:15 bis 12:45 Uhr
8
Mai

Mittwoch, 8. Mai 2024

11:15 bis 12:45 Uhr · Raum: Terrassensaal D  in Kalender übernehmen:   iCal  ·  Google

Veranstaltungsdetails

Veranstalter
Deutsche Röntgengesellschaft e.V.
Art
Refresher-Kurs mit WISS
Thema
IT/ Bildverarbeitung / Software, Experimentelle Radiologie
Zielgruppe
Andere, Ärzte in Weiterbildung (AiW), Fachärzte, Ingenieure / Naturwiss., MTR, Studenten

Zertifizierungen

Der RÖKO WIESBADEN wird im Rahmen einer Kongresszertifizierung durch die LÄK Hessen bewertet. Bitte beachten Sie die Hinweise unter A bis Z.

Informationen

Das ist eine Veranstaltung der AGIT - AG Informationstechnologie.

In dieser Sitzung wird das Potential von Sprachrobotern wie z. B. ChatGPT für die Befundung in der Radiologie erörtert. Diese haben großes Potential, die Befundung in der Radiologie grundlegend zu verändern, können aber auch große Gefahren darstellen. 

Anwesenheiten

Moderation
Daniel Pinto dos Santos (Köln)
Daniel Truhn (Aachen)

Ablauf

11:15 - 11:35

Vortrag (Fortbildung)

Übersetzung von Freitext in strukturierte Befunde

Keno K. Bressem (Berlin)

11:35 - 11:55

Vortrag (Fortbildung)

Befunderstellung und Prozessoptimierung durch automatische Analysen

Katerina Deike (Bonn)

11:55 - 12:15

Vortrag (Fortbildung)

Chatsysteme in der Radiologie - Evidenz in Klinik und Wissenschaft

Christian Blüthgen (Zürich)

12:15 - 12:20

Vortrag (Wissenschaft)

ChatGPT erzielt eine geringe Genauigkeit bei der Bestimmung von LI-RADS-Werten basierend auf Freitext- und strukturierten radiologischen Befunden

Robert Hahnfeldt (Köln)

weitere Autoren

Philipp Fervers (kölm) / Jonathan Kottlors (Köln) / Anton Wagner (Köln) / David Maintz (Köln) / Daniel Pinto dos Santos (Köln) / Simon Lennartz (Köln) / Thorsten Persigehl (Köln) / Stephan Skornitzke (Köln)

Zielsetzung

Ziel dieser Studie war die Analyse der Machbarkeit des großen Sprachmodells (Large Language Model) ChatGPT für die Klassifizierung von Leberläsionen gemäß LI-RADS anhand von MRT-Befunden und die Klassifikationsleistung in strukturierten gegenüber unstrukturierten Befunden.

Material und Methoden

LI-RADS-klassifizierbare Leberläsionen wurden aus strukturierten und unstrukturierten MRT-Befunden ausgewählt, wobei die Mindestanforderungen für die Aufnahme die Angabe von Größe, Lage und die Kontrastmittelanreicherung in der arteriellen Kontrastmittelphase waren. Die Befundabschnitte der Berichte wurden an ChatGPT (GPT-3.5) weitergegeben, welches angewiesen wurde, LI-RADS-Werte für jede klassifizierbare Leberläsion festzulegen. Die Ground Truth wurde durch Konsens von zwei Radiologen festgelegt. Die Übereinstimmung zwischen Ground Truth und ChatGPT wurde mit Cohen's Kappa bewertet. Die Test-Retest-Reliabilität wurde beurteilt, indem ein Teil von n=50 Läsionen fünfmal an ChatGPT weitergegeben wurde, wobei der Intraclass-Korrelationskoeffizient (ICC) verwendet wurde.

Ergebnisse

Es wurden 205 MRT-Untersuchungen von 150 Patienten einbezogen. Die Genauigkeit von ChatGPT bei der Bestimmung der LI-RADS-Kategorien war schlecht (53% und 44% in unstrukturierten und strukturierten Berichten). Die Übereinstimmung mit der Ground Truth war höher (k = 0,51 und k = 0,44), der mittlere absolute Fehler in den LI-RADS-Werten war geringer (0,5 ± 0,5 gegenüber 0,6 ± 0,7, p <0,05). Die Test-Retest-Reliabilität war in unstrukturierten Befunden höher als in strukturierten Befunden (ICC = 0,81 gegenüber 0,50), obwohl strukturierte Berichte die erforderlichen Bildmerkmale signifikant häufiger enthielten (Chi-Quadrat-Test, p <0,05).

Schlussfolgerungen

ChatGPT erreichte nur eine geringe Genauigkeit, wenn es darum gebeten wurde, LI-RADS-Werte aus Leber-MRT-Befunden zu bestimmen. Die überlegene Genauigkeit und Konsistenz in Freitext-Berichten könnte mit dem Schulungsprozess von ChatGPT zusammenhängen.
12:20 - 12:25

Vortrag (Wissenschaft)

Multimodales Foundation Model (GPT-4) für die Beurteilungserstellung von Röntgenaufnahmen des Thorax: Leistung, Wahrnehmung und Bewertung

Sebastian Ziegelmayer (München)

weitere Autoren

Alexander Marka / Nicolas Lenhart / Stefan Reischl / Felix Harder / Andreas Sauter / Marcus Makowski / Markus Graf / Joshua Gawlitza

Zielsetzung

Analyse der generativen Fähigkeiten eines multimodalen Basismodells für die radiologische Beurteilungsgenerierung von Röntgenaufnahmen des Thorax.

Material und Methoden

Um Beurteilungen von Thoraxröntgenaufnahmen auf der Grundlage verschiedener Inputs (Bild, Text, Text + Bild) zu generieren und zu bewerten, wurde ein radiologischer Befundbericht für 25 Fälle aus einen öffentlich zugänglichen Datensatz erstellt. GPT-4 generierte basierend auf dem Bild, dem Befundabschnitt oder beidem, eine Beurteilung unter Verwendung eines festen Prompt. In einer blinden, randomisierten Auswertung bewerteten 4 Radiologen die Beurteilungen und klassifizierten sowie begründeten die Herkunft der Beurteilung (Mensch, KI). Die Korrelation zwischen automatischen Modellmetriken und der radiologischen Bewertung wurde untersucht.

Ergebnisse

Nach der radiologischen Bewertung wurde die human geschriebene Beurteilungen am höchsten bewertet, obwohl sie sich nicht signifikant von textbasierten Beurteilungen unterschied. Die automatisierten Modellmetriken zeigten mäßige bis starke Korrelationen zu der radiologischen Bewertung für die bildbasierten Beurteilungen, jedoch waren die Korrelationen für die anderen Inputs unterschiedlich, was auf eine unzureichende Abbildung radiologischer Güte hinweist. Die Erkennung von KI-generierten Beurteilungen variierte je nach Eingabe und lag bei 61% für textbasierte Beurteilungen. Die Begründung für textbasierte Beurteilungen war ähnlich war ähnlich den fälschlich als KI-generiert eingestuften radiologischen Beurteilungen. Als KI-generiert eingestufte Beurteilungen wiesen eine signifikant schlechtere radiologische Bewertungen auf, selbst wenn sie von einem Radiologen verfasst wurden.

Schlussfolgerungen

Unsere Studie zeigte signifikante Diskrepanzen zwischen der radiologischen Bewertung und automatischen Modellmetriken in Abhängigkeit des verwendeten Inputs. Die Erkennung von KI-generierten Beurteilungen unterliegt einer Verzerrung, dass hoch bewertete Beurteilungen als von Menschen geschrieben wahrgenommen werden.

Teilnahme Young Investigator Award

12:25 - 12:45

Diskussion

Diskussion

Runlog

Öffnen