% IMPORTANT: The following is UTF-8 encoded.  This means that in the presence
% of non-ASCII characters, it will not work with BibTeX 0.99 or older.
% Instead, you should use an up-to-date BibTeX implementation like “bibtex8” or
% “biber”.

@ARTICLE{Caspers:1049070,
      author       = {Caspers, Julian and Karger, Cornelia and Langner, Robert
                      and Weißenfels, Silke and Günther, Joana and Spranger,
                      Tade and Wagner, Roman and Lanzerath, Dirk and Eickhoff,
                      Simon B. and Heinrichs, Bert},
      title        = {{K}ünstliche {I}ntelligenz in der {R}adiologie: {V}on der
                      experimentellen {P}hase zur produktiven {A}nwendung},
      journal      = {Deutsches Ärzteblatt international},
      volume       = {112},
      issn         = {1866-0452},
      address      = {Köln},
      publisher    = {Dt. Ärzte-Verl.},
      reportid     = {FZJ-2025-05163},
      pages        = {24-27},
      year         = {2025},
      abstract     = {Die Diskussion um den Einsatz von Künstlicher Intelligenz
                      (KI) in der Medizin und speziell in der Radiologie wird seit
                      Jahren intensiv geführt. Geoffrey Hinton behauptete im Jahr
                      2016, dass die Ausbildung von Radiologinnen und Radiologen
                      eingestellt werden sollte, da KI diese in fünf bis zehn
                      Jahren überflüssig machen werde [1]. Im Jahr 2023 hat
                      Hinton seine frühere Einschätzung teilweise
                      zurückgenommen und bemerkt, er habe etwa um den Faktor 3
                      falsch gelegen. Er sei aber immer noch davon überzeugt, auf
                      lange Sicht recht zu behalten [2]. Seit Hintons erster
                      Äußerung hat sich vieles verändert. Während damals kaum
                      KI-basierte Anwendungen verfügbar waren, gibt es
                      mittlerweile eine Vielzahl zugelassener Medizinprodukte, die
                      KI beinhalten. Ende 2024 führte die US-amerikanische Food
                      and Drug Administration (FDA) auf ihrer Website 1 026
                      zugelassene KI-basierte Medizinprodukte – 777 davon
                      entfielen auf den Bereich der Radiologie [3]. KI-Anwendungen
                      in der Radiologie sind damit keine Spekulation mehr, sondern
                      haben die klinische Praxis erreicht. Beispiele für
                      relevante Anwendungsfelder sind unter anderem die
                      KI-gestützte Frakturerkennung in Röntgenbildern [4] oder
                      die Röntgen-Thorax-Diagnostik, bei der unter anderem eine
                      Verbesserung der Detektionsrate relevanter Lungenrundherde
                      [5] und eine Verkürzung der Befundungszeiten [6] belegt
                      werden konnten. Dennoch ist festzustellen, dass die
                      Verwendung radiologischer KI-Anwendungen in der
                      medizinischen Routine, zumindest gemessen am Angebot,
                      bislang wenig verbreitet ist. Gründe hierfür sind unter
                      anderem finanzielle Faktoren [7] sowie die spärliche
                      Validierung eines Mehrwerts [8]. Zudem hält die
                      Implementierung mit der rasanten Entwicklung immer weniger
                      Schritt. Schon jetzt lassen neue Möglichkeiten großer
                      Sprachmodelle [9] sowie sogenannter „foundation models“
                      [10] die bestehende KI-Integration anachronistisch
                      erscheinen. Parallel zur technischen Entwicklung haben sich
                      die regulativen Rahmenbedingungen für medizinische KI in
                      den vergangenen Jahren erheblich verändert, nicht zuletzt
                      mit der KI-Verordnung der Europäischen Union von 2024.
                      Dessen ungeachtet sind viele ethische und rechtliche Aspekte
                      der Implementierung noch offen, und die Frage der Akzeptanz
                      von KI-basierten Anwendungen in der Medizin ist bislang nur
                      ansatzweise beantwortet. Der bekannte Gartner Hype Cycle
                      [11] unterscheidet fünf Phasen der Aufmerksamkeit auf eine
                      Technologie: Einem technologischen Auslöser folgen demnach
                      zunächst ein Gipfel der überzogenen Erwartungen und ein
                      Tal der Enttäuschungen, bevor der Pfad der Erleuchtung
                      schließlich auf das Plateau der Produktivität führt. Ob
                      wir uns langsam diesem Plateau annähern, wird man erst in
                      Zukunft retrospektiv beurteilen können – dennoch scheint
                      es sinnvoll, eine Zwischenbilanz zu ziehen.},
      cin          = {INM-7},
      ddc          = {610},
      cid          = {I:(DE-Juel1)INM-7-20090406},
      pnm          = {5255 - Neuroethics and Ethics of Information (POF4-525)},
      pid          = {G:(DE-HGF)POF4-5255},
      typ          = {PUB:(DE-HGF)16},
      url          = {https://juser.fz-juelich.de/record/1049070},
}