Deep Learning bezeichnet eine Form von maschinellem Lernen, bei welchem häufig neuronale Netzwerke eingesetzt werden [
9]. Mithilfe eines solchen neuronalen Netzwerks zeigte Anthimopoulos’ Gruppe bereits 2016, dass es möglich ist, gesundes Lungengewebe sowie sechs verschiedene interstitielle Erkrankungsmuster (Milchglas, Retikulation, Mischung von Milchglas und Retikulation, kleine Rundherde, Konsolidierung und Honigwabenmuster) mit einer Genauigkeit von 85,5 % zu unterscheiden [
10]. Im Jahr 2018 konnten Kims Gruppe die Genauigkeit ihres Algorithmus zur Unterscheidung sechs verschiedener interstitieller Erkrankungsmuster v. a. durch verbesserte Differenzierung ähnlicher Muster, wie Honigwabenmuster und Retikulation, auf bis zu 95,1 % steigern [
11]. Für diese Ansätze sind jedoch durch Radiologen segmentierte Regionen mit spezifischen CT-Mustern notwendig und beinhalten dadurch potenziell untersucherabhängige Fehler. Mit vergleichsweise geringerer Genauigkeit (68,6 %), jedoch ohne die Notwendigkeit einer vorhergehenden, aufwändigen Segmentierung, gelang es Gao et al., Muster mithilfe eines neuronalen Netzwerks in vollständigen CT-Schnitten zu identifizieren [
12]. Walsh et al. entwickelten als Erste einen Algorithmus, welcher, den ATS/ERS/JRS/ALAT-Leitlinien für die Diagnostik der IPF [
13] entsprechend, die CT Muster „UIP“, „mögliche UIP“ und „inkonsistent mit UIP“ in wenigen Sekunden mit höherer Genauigkeit (73,3 %) unterscheidet als erfahrene Thoraxradiologen (70,7 %; [
8]). Christie et al. konnten zeigen, dass ein computergestütztes System (INTACT-System) IPF mit einer ähnlichen Genauigkeit wie Radiologen in CT-Bildern erkennen kann [
14]. Diese Studien zeigen das Potenzial von Deep-Learning-Algorithmen, Expertise in Bezug auf spezifische Fragestellungen (in diesem Fall UIP vs. keine UIP in der CT) mithilfe überschaubarer Ressourcen in Zukunft in Sekundenschnelle an Orten zu nutzen, wo diese bisher nicht verfügbar war.