Seleccionar página

Pesapane F, Volonté C, Codari M, Sardanelli F (2018) Künstliche Intelligenz als medizinisches Gerät in der Radiologie: ethische und regulatorische Fragen in Europa und den Vereinigten Staaten. Insights Imaging 9:745–753 Zusammen mit Pixelinformationen enthalten diCOM-Dateien (Digital Imaging and Communications in medicine) zusätzliche Informationen, die gemäß den Vorschriften für geschützte Gesundheitsinformationen anonymisiert werden müssen [42]. Jede Art von Informationen ist in eines von Hunderten von spezifischen, standardmäßig markierten Datenelementen [3] eingeschrieben. DICOM-Header, die zum Abrufen der Identität eines Patienten verwendet werden können, entweder direkt (z. B. Name, ID, Adresse) oder indirekt (z. B. Alter, Erwerbsdatum, Betreiber) müssen anonymisiert werden. BeiSupplement 142 der DICOM-Standards werden Richtlinien zu den anonymisierungsbedürftigen Dateifeldern sowie kontextspezifische Empfehlungen gegeben. Kostenlose DICOM-Anonymisierungssoftwares sind verfügbar, sollten aber mit Vorsicht verwendet werden, da nur ein Bruchteil eine vollständige Datenentfernung erreicht, und oft erst nach gründlicher Anpassung [43]. DICOM Library [44] und der RSNA Clinical Trials Processor stellen dafür zwei kostenlose, bewährte Toolkits bereit [45]. Während eines Röntgenverfahrens wird ein Röntgenstrahl durch den Körper geleitet. Ein Teil der Röntgenstrahlen wird von der inneren Struktur absorbiert oder gestreut und das verbleibende Röntgenmuster wird an einen Detektor übertragen, so dass ein Bild zur späteren Auswertung aufgezeichnet werden kann.

Die Umcodierung des Musters kann auf Film oder auf elektronischem Wege erfolgen. Wenn ein Projekt auf der zweiten Verwendung von bildgebenden Daten beruht, muss die Genehmigung durch institutionelle Gutachtergremien regionalen Vorschriften wie dem Health Insurance Portability and Accountability Act in den USA [29], der Datenschutz-Grundverordnung in Europa [30] und dem ethischen Verhalten für Forschung unter Beteiligung von Menschen in Kanada entsprechen [31]. Institutionelle Prüfungsausschüsse müssen die Einhaltung der Patientenautonomie (freie, informierte und laufende Zustimmung) erzwingen oder auf die Notwendigkeit der Zustimmung der Patienten (siehe unten) verzichten und ein Gleichgewicht zwischen Risiken (z. B. Verhinderung von groß angelegten Datenschutzverletzungen und unbeabsichtigter Offenlegung) und Vorteilen (z. B. Verbesserung der Diagnose und Verbesserung der Behandlungsauswahl) finden [32]. Die häufigste Sampling-Strategie im Deep Learning besteht darin, den Datensatz in Trainings-, Validierungs- und Testsätzen zu unterteilen (Abb. 6).

Das optimale Verhältnis der in den einzelnen Mengen verteilten Stichproben variiert für jedes Problem. Aber als Faustregel wird häufig eine Aufteilung von 80% Training, 10% Validierung und 10% Testabteilung verwendet.