Dr. Andreas Klein ist Privatdozent und Lehrbeauftragter der Universität Wien
Sebastian Dennerlein erwarb seinen MSc und PhD in Psychologie an der Universität Graz. Er ist Assistenzprofessor am Institut für Educational Science and Technologies Institute der Fakultät für Behavioural, Management and Social Science Faculty an der Universität Twente. Seine Forschung konzentriert sich auf individuelles und soziales Lernen in technologiegestützten und arbeitsplatzbezogenen Lernkontexten, mit besonderem Schwerpunkt auf dem Thema des selbst- und gemeinschaftlich reguliertem Lernens und designorientierten Forschungsmethoden.
Prof. Dr. Helmut Ritschl leitet das Institut für Radiologietechnologie an der FH JOANNEUM in Graz und beschäftigt sich mit der digitalen Transformation im Gesundheitswesen und deren Implikationen.

Vorwort Einleitung | Andreas Klein, Sebastian Dennerlein und Helmut Ritschl. 1. Hinführung 2. Begriffliche Annäherungen 2.1 Künstliche Intelligenz (KI) 2.2 Maschinelles Lernen - Machine Learning (ML) 2.3 (Künstliche) Neuronale Netze (KNN) 2.4 Deep Learning (DL) 3. Veranschaulichung einiger ethischer Herausforderungen und Lösungsansätze 4. Zu den Beiträgen dieses Buches Literatur Abschnitt 1: Grundlagen zu KI und erste ethische Überlegungen Data Science und Künstliche Intelligenz | Wolfgang Granigg und Klaus Lichtenegger 1. Von Big Data zur Künstlichen Intelligenz 2. Was ist Künstliche Intelligenz? 3. Eine kurze Geschichte der KI 3.1 Die Anfänge: Rechnen und Codes knacken 3.2 Logik und Symbole 3.3 Maschinelles Lernen 3.4 Statistisches Lernen 3.5 Von der Natur das Lernen lernen 3.6 Die Deep-Learning-Revolution 3.7 Technische Infrastruktur 3.8 What else?4. Wie lernen Computerprogramme? 4.1 Supervised Learning 4.2 Unsupervised Learning 4.3 Reinforcement Learning 5. Einige Herausforderungen im ML 5.1 Underfitting und Overfitting 5.2 Ausdruckskraft vs. Erklärbarkeit Literatur 66 Wahrscheinlichkeit und Statistik - manchmal gegen unsere Intuition | Klaus Lichtenegger, Raphaele Raab und Wolfgang Granigg 1. Zugänge zur Statistik 2. Verzerrungen in den Daten 3. Die Crux mit dem Mittelwert 4. Regression zur Mitte 5. Das Simpson-Paradoxon 6. Fallstricke bei der Datenvisualisierung 7. Wahrscheinlichkeit wider die Intuition 8. Bedingte Wahrscheinlichkeiten 9. Der Satz von Bayes Literatur Die Hintergründe von KI im Gesundheitswesen verstehen lernen | Marco Tilli, Michael Melcher, Debora Stickler und Raphaele Raab Vom Problem zum Machine Learning Beispiel 1: Modellieren von BIP und Kindersterblichkeit Was ist eine Lineare Regression? Beispiel 2: Gruppieren von Brustkrebs-Merkmalen Beispiel 3: Klassifikation COVID-19 vs. Grippe aufgrund der Symptome Beispiel 4: Bildverarbeitung und -klassifikation Aufbau eines CNNs Arten von CNNs Beispiel 5: Befunde verstehen und schreiben Explainable AI im Medizinwesen Was ist xAI eigentlich?Wo xAI angewandt wird LiteraturEthische Perspektiven eines verantwortungsbewussten Umgangs mit Künstlicher Intelligenz|Andreas Klein103 1. Hinführung2. Wie intelligent ist Künstliche Intelligenz - oder kann sie werden?3. Ethik und die Frage nach dem guten Handeln4. Ethik für KI4.1 Ethik-Leitlinien für eine vertrauenswürde KI4.2 Ethische Verpflichtungen4.3 Grundrechte und KI4.4 Vier ethische Grundsätze (Prinzipien)5. Abschließende Würdigung und AusblickLiteraturAbschnitt 2: Anwendungsbeispiele von KI-Anwendungen in unterschiedlichen Domänen des GesundheitswesensArtificial Intelligence und Machine Learning in der medizinischen Bilddatenverarbeitung | Wolfgang Birkfellner1. Einführung2. Welche Daten werden verwendet?3. Eine unverbindliche Anleitung für Experimente4. Anwendungsmöglichkeiten5. Stärken, Schwächen und Bedrohungen6. Auswirkungen auf das Berufsbild7. Ausblick und HerausforderungenLiteraturChatGPT als Arzt? |Lars Mehnen, Stefanie Gruarin, Mina Vasileva und Bernhard Knapp1. Zusammenfassung2. Einführung3. Beschreibung der Untersuchungsmethode3.1 Schritt 1: Ursprung der klinischen Fallvignetten3.2 Schritt 2: Verwendung von ChatGPT3.3 Schritt 3: Bewertung der richtigen Antworten3.4 Schritt 4: Darstellung der diagnostischen Genauigkeit4. Ergebnisse des Experiments4.1 Diagnostische Genauigkeit von ChatGPT bei häufigen Erkrankungen4.2 Diagnostische Genauigkeit von ChatGPT bei seltenen Erkrankungen5. Diskussion der Ergebnisse aus dem Experiment5.1 ChatGPT (Version 3.5 und 4) erreicht bemerkenswerte Genauigkeiten5.2 Lernt ChatGPT nur auswendig?5.3 ChatGPT kann / soll keinen menschlichen Arzt ersetzenLiteraturAktuelle Anwendungsszenarien und -beispiele von KI-Systemen in Diagnostik und Therapie | Bianca Buchgraber-Schnalzer und Bernhard Neumayer1. Einleitung2. Medizinische Bildgebung2.1 Bildrekonstruktion2.2 Bildanalyse3. Kardi