Die systematische Überprüfung von Müskens et al. (2022) befasst sich mit dem Übergebrauch von diagnostischen Tests im Gesundheitswesen. Dabei wurde festgestellt, dass strukturierte Berichterstattung in der Radiologie von Nobel et al. (2022) viel Potenzial hat. Khurana et al. (2023) diskutieren den Stand der Technik, aktuelle Trends und Herausforderungen im Bereich Natural Language Processing (NLP), während Jurafsky und Martin (2024) in ihrem Buch “Speech and Language Processing” eine Einführung in die NLP und Spracherkennung bieten.
Verschiedene Studien beschäftigen sich mit der Anwendung von NLP in der Radiologie, darunter die Arbeiten von Pons et al. (2016), Casey et al. (2021) und Gholipour et al. (2023). Diese Studien zeigen die vielfältigen Anwendungen von NLP in der Extraktion von Informationen aus radiologischen Berichten, insbesondere im Zusammenhang mit Krebserkrankungen. Darüber hinaus untersuchen verschiedene Autoren, wie Deep Learning-Modelle wie BERT und GPT-4 in der Radiologie eingesetzt werden können, um automatisierte Prozesse wie die Etikettierung von Bildern und die Extraktion von klinischen Informationen zu verbessern.
Einige Studien widmen sich spezifisch der Anwendung von großen Sprachmodellen in der Radiologie, wie beispielsweise das Projekt MEDBERT.de von Bressem et al. (2024) oder die Nutzung von GPT-4 zur Strukturierung von Radiologieberichten durch Mallio et al. (2023). Darüber hinaus zeigen verschiedene Arbeiten, wie BERT und andere Modelle in der medizinischen Bildgebung und der Extraktion von klinischen Informationen eingesetzt werden, um die Effizienz und Genauigkeit von Prozessen in der Radiologie zu verbessern.
Insgesamt verdeutlichen die analysierten Studien den bedeutenden Einfluss von NLP und großen Sprachmodellen auf die Radiologie und das Gesundheitswesen im Allgemeinen. Die Anwendung dieser Technologien ermöglicht es, komplexe Aufgaben wie die Extraktion von klinischen Informationen, die automatisierte Etikettierung von Bildern und die Strukturierung von Berichten effizienter und präziser zu gestalten. Dies trägt zu einer verbesserten Diagnose, Behandlung und Überwachung von Krankheiten bei und zeigt das immense Potenzial dieser Technologien im Gesundheitswesen auf.