| Ob bei der automatisierten Auswertung von medizinischen Texten, der Analyse radiologischer
Bilder oder der Unterstützung bei Diagnosen – künstliche Intelligenz (KI) findet zunehmend
Anwendung in der Medizin. Damit solche Systeme zuverlässig funktionieren, müssen sie
medizinische Inhalte korrekt erkennen und interpretieren. Die Grundlage hierfür bildet die
sogenannte Annotation – die gezielte Kennzeichnung und Strukturierung medizinischer Daten..
Diese Arbeit bietet eine umfassende Literaturübersicht über Klassifikationen, Terminologien
und Ontologien, die in der medizinischen Annotation verwendet werden, und analysiert deren
Einfluss auf maschinelle Lernanwendungen. Besonders hervorgehoben wird die zentrale Rolle
qualitativ hochwertiger, konsistenter Annotationen, da diese maßgeblich zur Leistungsfähigkeit
und Sicherheit von KI-Modellen in der klinischen Praxis beitragen. Die Arbeit untersucht
bestehende medizinische Klassifikationssysteme wie Internationale statistische Klassifikation
der Krankheiten und verwandter Gesundheitsprobleme (ICD), Systematisierte Nomenklatur der
Medizin – Klinische Termini (SNOMED-CT), Medical Subject Headings (MeSH) und andere
und bewertet deren Rolle bei der Strukturierung medizinischer Daten für KI-gestützte
Anwendungen. Darüber hinaus werden die Bedeutung von Natural Language Processing (NLP)
sowie der MATTER-Annotationszyklus im Annotationsprozess erläutert. Neben
praxisbezogenen Anwendungen von NLP und KI in der Medizin – darunter klinische
Dokumentation, Bildverarbeitung, Patienteneinbindung und diagnostische Unterstützung –
werden auch ethische und regulatorische Herausforderungen analysiert. Der Fokus liegt hierbei
insbesondere auf der europäischen Gesetzgebung sowie auf spezifischen Regularien in
Österreich. Die Ergebnisse unterstreichen die Relevanz standardisierter medizinischer Daten
und regulatorischer Vorgaben für eine sichere und effektive Implementierung von KI im
Gesundheitswesen. |
