
RACOON
Radiological Cooperative Network zur Covid-19 Pandemie
Sie befinden sich hier:
Projektbeschreibung

Radiologische Daten stellen nicht nur in der COVID-19 Pandemie eine Schlüsselrolle in der Diagnostik und Verlaufsbeurteilung von Erkrankungen dar. Die Mehrzahl schwerer Krankheitsfälle bei COVID-19 weist eine Lungenbeteiligung auf, und radiologische Befunde erlauben eine differenzierte Beschreibung des Krankheitsverlaufs. Radiologische Bildgebung kann pandemische Lungeninfektionen erkennen, bewerten, messen, nachverfolgen und zugrunde liegende Risikofaktoren benennen. Die Radiologie steht damit an der Pforte zum Gesundheitswesen und dient bei der Therapieüberwachung als Entscheidungswerkzeug und Messinstrument. Auf der Radiologie-Plattform werden Röntgenaufnahmen von Patientinnen und Patienten mit Verdacht auf COVID-19 zusammengeführt und mit den Krankheitsverläufen in Beziehung gebracht und Befunde mithilfe Künstlicher Intelligenz analysiert. Dadurch wird eine schnellere und präzisere Diagnose der Erkrankung und ihres Verlaufs möglich und eine Entscheidungsgrundlage für epidemiologische Studien, Lageeinschätzungen und Frühwarnmechanismen geschaffen.
RACOON konnte in der 1. Förderphase des Netzwerk Universitätsmedizin ein landesweites Infrastruktur-Netzwerk aus allen 36 universitätsmedizinischen Standorten sowie weiteren nicht-universitären Technologiepartnern initiieren und an einem großen, neu erhobenen Datensatz (>14.000 Patientinnen und Patienten) die Funktionsweise als vernetzende Forschungsinfrastruktur für die Pandemiebekämpfung demonstrieren.
Durch die Verstetigung als Infrastrukturprojekt in der 2. Förderphase wird das Projekt eine Vielzahl von Anwendungsmöglichkeiten zum Einsatz in Forschungsvorhaben der medizinischen Bildgebung unterstützen.
Ziel des Projektes
Im RACOON sollen die Anwendungsgebiete der Versorgungsforschung, klinische Studien sowie die Erstellung und Anwendung innovativer Applikationen der Künstlichen Intelligenz (KI) auf medizinischen Bilddaten ermöglicht werden. Neben der technologischen Ausgestaltung der hybriden Netzwerkinfrastruktur wird somit auch die Etablierung von Datenerhebungsstandards für medizinische Bilddaten sowie die Bündelung von Kompetenzen in standortübergreifenden, interdisziplinären Expertengruppen verfolgt.
Wer ist beteiligt?
Die Projektkoordination wird durch die Charité – Universitätsmedizin Berlin und das Universitätsklinikum Frankfurt umgesetzt.
Alle 36 nationalen Universitätskliniken sind an dem Projekt beteiligt. Weitere Partner sind u.a. das Deutsche Krebsforschungszentrum (DKFZ), die Technische Universität Darmstadt sowie Fraunhofer-Institut für Digitale Medizin MEVIS.
Laufzeit
01.01.2022 - 31.12.2024. Eine Laufzeitverlängerung bis 30.06.2025 ist geplant.
Aufgabe der Charité
Die Charité unterstützt das Projekt in Koordination, Konzeptionierung und Weiterentwicklung des Netzwerkes.
Ansprechpartner an der Charité
- Prof. Dr. Bernd Hamm, Ärztliche Centrumsleitung CC 6, Direktor Klinik für Radiologie (mit dem Bereich Kinderradiologie)
- Prof. Dr. med. Tobias Penzkofer, Leitender Oberarzt an der Klinik für Radiologie & Arbeitsgruppenleiter QILAB, E-Mail
Weitere Informationen
- Projektwebsite
- Quantitative Imaging Lab der Charité
- Pressemitteilung der Deutschen Röntgengesellschaft, Gesellschaft für Medizinische Radiologie e.V. über das Projekt
- Vortrag von Ralf Heyder (Leiter Koordinierungsstelle NUM) zu Datenschutz-Herausforderungen in Racoon: https://bfdi.visionary.berlin/forschungmitgesundheitsdaten/, ca. Minute 01:22:45
Publikationen mit Charité (Ko-)Autorenschaft
Ergebnisse filtern
- Autoren:Bucher AM, Penzkofer T, May MS
Zeitschrift (Journal):J Magn Reson Imaging Jahr:2023 Sep 13; Jahrgang (Volume):Epub ahead of printAusgabe (Issue):(Epub ahead of print)
Titel:Editorial for "Magnetic Resonance Imaging-Based Classification Systems for Informing Better Outcomes of Adenomyosis After Ultrasound-Guided High-Intensity Focused Ultrasound Ablating Surgery - Autoren:Jacobs PP, Ehrengut C, Bucher AM, Penzkofer T, Lukas M, Kleesiek J, Denecke T.
Zeitschrift (Journal):Healthcare (Basel) Jahr: 2023 Aug 23; Jahrgang (Volume):11Ausgabe (Issue):(17):Seiten (Pages):2377.
Titel:Challenges in Implementing the Local Node Infrastructure for a National Federated Machine Learning Network in Radiology. - Autoren:Baumgärtner GL, Hamm CA, Schulze-Weddige S, Ruppel R, Beetz NL, Rudolph M, Dräger F, Froböse KP, Posch H, Lenk J, Biessmann F, Penzkofer T
Zeitschrift (Journal):Eur J Radiol Jahr:2023 Sep; Jahrgang (Volume):166Ausgabe (Issue):(110964)
Titel:Metadata-independent classification of MRI sequences using convolutional neural networks: Successful application to prostate MRI - Autoren:Sähn MJ, Yüksel C, Kleines M, Armbruster R, Bucher AM, Penzkofer T, Kuhl C, Schulze-Hagen MF, Isfort P.
Zeitschrift (Journal):Rofo Jahr: 2023; Jahrgang (Volume):195Ausgabe (Issue):(S01):Seiten (Pages):S73.
Titel:Validierung des COV-RADS Klassifikationssystem zur Diagnose von COVID-19 in Thorax-CTs – eine nationale Analyse innerhalb von RACOON
Zeitschrift (Journal):Stud Health Technol Inform Jahr:2022 Aug 17; Jahrgang (Volume):296:Seiten (Pages):58-65.
Titel:CODEX Meets RACOON - A Concept for Collaborative Documentation of Clinical and Radiological COVID-19 Data