63 Arbeiten
Die Welt der Radiologie und medizinischen Bildgebung öffnet einen unschätzbaren Blick ins menschliche Körperinnere, ohne dass dabei ein Skalpell nötig ist. Von der klassischen Röntgenaufnahme bis zur hochkomplexen Magnetresonanztomographie helfen diese Technologien Ärztinnen und Ärzten dabei, Krankheiten früher zu erkennen und Behandlungen präziser zu steuern. Auf Gist.Science machen wir die neuesten wissenschaftlichen Erkenntnisse aus diesem dynamischen Feld für alle verständlich.
Jede neue Vorveröffentlichung in dieser Kategorie stammt direkt von medRxiv, der führenden Plattform für medizinische Preprints. Unser Team verarbeitet jeden dieser Einträge sofort, um Ihnen sowohl eine detaillierte technische Zusammenfassung als auch eine leicht verständliche Erklärung auf Deutsch anzubieten. So bleiben Sie immer auf dem Laufenden, egal ob Sie Fachkenntnisse haben oder einfach nur neugierig sind.
Im Folgenden finden Sie die aktuellsten Forschungsarbeiten aus dem Bereich der Radiologie und Bildgebung, die wir für Sie aufbereitet haben.
Diese Studie präsentiert ein robustes hybrides CNN-Transformer-Deep-Learning-Modell, das Multi-View-Ultraschallbilder effektiv integriert, um im Vergleich zu konventionellen Einzelbild-Analysemethoden eine überlegene Genauigkeit bei der Differenzierung zwischen benignen und malignen Brusttumoren zu erreichen.
Diese Studie zeigt, dass Foundation-Modelle für die Thorax-Röntgen-KI zwar unterschiedliche Grade an Robustheit gegenüber Akquisitionsparametern wie dem Aufnahmetyp aufweisen, ihre Leistungsvorteile jedoch oft datensatzspezifisch sind und bei der externen Validierung scheitern, was verdeutlicht, dass technische Biases unabhängig von Modellarchitektur oder Trainingsskalierung bestehen bleiben.
Diese systematische Übersicht über 31 Studien aus den Jahren 2022 bis 2025 zeigt, dass Deep-Learning-Modelle, insbesondere fortgeschrittene U-Net-Architekturen für die Segmentierung und merkmalsbasierte Klassifikatoren für die Diagnose, eine hohe Genauigkeit bei der Gliomanalyse auf multiparametrischem MRT erreichen, obwohl das Feld mehr erklärbare KI benötigt, um klinisches Vertrauen und Akzeptanz zu gewährleisten.