Das ist eine Meldung
Stet clita kasd gubergren, no sea takimata sanctus est. Ut labore et dolore aliquyam erat, sed diam voluptua.
WISS 307
Onkologische Bildgebung VI - KI
19
MaiVeranstaltungsdetails
- Veranstalter
- Deutsche Röntgengesellschaft e.V.
- Art
- Wissenschaftliche Sitzung
- Thema
- Onkologische Bildgebung
Zertifizierungen
Der RÖKO WIESBADEN wird im Rahmen einer Kongresszertifizierung durch die LÄK Hessen bewertet. Bitte beachten Sie die Hinweise unter A bis Z.
Isabel Mollwitz
Informationen
- Moderation
- Barbara Wichtmann (Bonn)
Ablauf
15:15 - 15:20
Vortrag (Wissenschaft)
Deep learning und Radiomics zur Vorhersage von Knochenmarks-Biopsieergebnissen aus dem MRT bei Patienten mit Multiplem Myelom – eine multizentrische Studie
Markus Wennmann (Heidelberg)
Zielsetzung
Das Multiple Myelom zeigt eine ausgeprägte räumliche Heterogenität bzgl. Tumorlastverteilung und Genetik. Regelmäßige multifokale Knochenmarksbiopsien sind jedoch nicht durchführbar. Ziel der Arbeit war es, Algorithmen zu etablieren, die automatisch lokale Knochenmarks-Biopsieergebnisse aus dem MRT prädizieren können.
Material und Methoden
Diese multizentrische Studie umfasste 672 MRTs von 482 Patienten mit (Smoldering) Multiplem Myelom aus 8 Zentren, sowie 370 zugehörige Knochenmarksbiopsien vom dorsalen Beckenkamm. Es wurde ein automatischer, mehrschrittiger Algorithmus etabliert, wobei zunächst ein nnU-Net das Knochenmark der Beckenknochen segmentiert, und aus diesem anschließend mittels Radiomics die Plasmazellinfiltration im Knochenmark sowie der genetische Risikostatus vorhergesagt wird. Die Algorithmen wurden auf Daten aus Zentrum 1 trainiert und auf mehreren unabhängigen Testdatensätzen mit insgesamt 185 Patienten aus 8 Zentren getestet. Der Pearson-Korrelationskoeffizient r zwischen vorhergesagter und tatsächlicher Plasmazellinfiltration wurde berechnet.
Ergebnisse
Die vom Algorithmus vorhergesagte Plasmazellinfiltration korrelierte in allen Test-Datensätzen signifikant (alle p<=0,01) mit der tatsächlichen Plasmazellinfiltration aus der Biopsie (Testset von Zentrum 1: r=0,71; Testset Zentrum 2, Subset mit hoher Bildqualität: r=0,42; Testset Zentrum 2, Subset mit Standardbildqualität: r=0,30; Datensatz von Zentrum 3 bis 8: r=0,57). Die Vorhersage des genetischen Risikostatus war nicht mit akzeptabler Genauigkeit möglich.
Schlussfolgerungen
Der entwickelte Algorithmus ermöglicht es, selbst auf multizentrischen Daten basierend auf einer 2-minüten MRT-Messung die lokale Plasmazellinfiltration im Knochenmark abzuschätzen. Durch den non-invasiven Ansatz hat diese Methodik das Potential, in Zukunft bei Myelompatienten regelmäßig und multifokal über das Tumorgewebe zu informieren, was aufgrund der räumlichen Heterogenität von Tumorlast und Biologie beim Multiplen Myelom von höchster Bedeutung ist.
Teilnahme Young Investigator Award
15:20 - 15:25
Vortrag (Wissenschaft)
Deep Learning und Radiomics zur automatischen, objektiven, umfassenden Knochenmarkscharakterisierung aus Ganzkörper-MRTs – eine multizentrische Machbarkeitsstudie
Markus Wennmann (Heidelberg)
Zielsetzung
Radiologen können nur einen geringen Teil der komplexen Bildinformation aus Ganzkörper-MRTs (GK-MRTs) in den Befund translatieren. Ziel der Arbeit war es, eine automatische, objektive, umfassende Knochenmarkscharakterisierung zu etablieren, bei dem 30 Knochenmarksräume automatisch segmentiert und anschließend mittels Radiomics analysiert werden.
Material und Methoden
Diese retrospektive multizentrische Pilotstudie umfasste 106 GK-MRTs von 102 Patienten mit (Smoldering) Multiplem Myelom aus 8 Zentren. Fünfzig GK-MRTs aus Zentrum 1 wurden für das Training des Segmentierungsalgorithmus (nnU-Net) genutzt, 56 GK-MRTs aus 8 Zentren als unabhängiger Testdatensatz. Manuelle Segmentierungen von 2700 Knochenmarksräumen von 90 Patienten wurden für Training und Test der Algorithmen angefertigt. Für jeden Knochenmarksraum wurden individuell 296 Radiomicsmerkmale berechnet.
Ergebnisse
Das nnU-Net, welches 30 Knochenmarksräume individuell segmentiert und zuordnet, erreichte mittlere Dice-Scores von 0.88 ± 0.06/0.87 ± 0.06/0.83 ± 0.11 in den unabhängigen Testdatensätzen von Zentrum 1 / Zentrum 2 / Zentrum 3-8. Ein Interrater-Experiment zwischen 2 Radiologen zeigte mittlere Dice-Scores von 0.88 ± 0.01. Der Radiomics-Knochenmarks-Phänotyp, welcher aus 8880 Merkmalen pro Patient besteht (30 Knochenmarksräume mal 296 Radiomicsmerkmale pro Knochenmarksraum), wurde für alle Patienten berechnet. Exemplarische Fälle zeigten den Zusammenhang von Radiomicsmerkmalen mit Myelom-typischen Knochenmarksmustern.
Schlussfolgerungen
Diese Pilotstudie demonstriert die Machbarkeit von automatischen, objektiven, umfassenden Knochenmarkscharakterisierungen aus GK-MRTs in multizentrischen Datensätzen und etablierte die entsprechenden Algorithmen. Die automatische Extraktion hochdimensionaler Knochenmarksprofile soll in Zukunft dazu beitragen, die Diagnostik bei Patienten mit Multiplem Myelom zu präzisieren und zu objektivieren.
Reproduziert aus Investigative Radiology, doi:10.1097/RLI.0000000000000891, mit Erlaubnis von Kluwer Law International.
Reproduziert aus Investigative Radiology, doi:10.1097/RLI.0000000000000891, mit Erlaubnis von Kluwer Law International.
Teilnahme Young Investigator Award
15:25 - 15:30
Vortrag (Wissenschaft)
Automatisierte Segmentation von Nierentumoren mittels Deep Learning: eine multizentrische Bildgebungsstudie.
Sophie Bachanek (Göttingen)
Zielsetzung
Etablierung einer automatisierten Nierentumor-Segmentation mittels multizentrischer CT-Daten, und deren nachvollziehbare Visualisierung.
Material und Methoden
Nierentumorpatienten wurden von 2015-2021 retrospektiv untersucht. Einschlusskriterien waren CT-Untersuchungen in corticomedullärer (CM) oder nephrogener (NG) Kontrastmittelphase (KM-Phase). Patienten < 18 Jahren, mit zystischen oder diffus infiltrativen Tumoren (z.B. Lymphome) wurden ausgeschlossen. Eine manuelle Nierentumor-Segmentation wurden auf sämtlichen axialen Schnittbilder durch einen erfahrenen Radiologen durchgeführt.
Ein neuronales Netzwerk (UNET) wurde anhand der manuellen Segmentationen trainiert. In einem unabhängigen Validierungsdatensatz wurde die Genauigkeit des UNETs mit dem Referenzstandard der manuellen Segmentation verglichen und mittels DICE-Score quantifiziert.
Diese Studie wurde durch einen „2022 ESR Research Grant“ unterstützt, welcher aus nicht-exklusiven Forschungsmitteln der Fa. GE Healthcare bereitgestellt wurde.
Ein neuronales Netzwerk (UNET) wurde anhand der manuellen Segmentationen trainiert. In einem unabhängigen Validierungsdatensatz wurde die Genauigkeit des UNETs mit dem Referenzstandard der manuellen Segmentation verglichen und mittels DICE-Score quantifiziert.
Diese Studie wurde durch einen „2022 ESR Research Grant“ unterstützt, welcher aus nicht-exklusiven Forschungsmitteln der Fa. GE Healthcare bereitgestellt wurde.
Ergebnisse
Es wurden n=394/n=350 Patienten in CM und NG KM-Phase eingeschlossen (medianes Alter 66 Jahre; 35% Frauen; medianer Tumordurchmesser 5.4cm). CT-Untersuchungen von mehr als 20 radiologischen Zentren wurden untersucht.
Das UNET wurde anhand von n=316 CM und n=294 NG KM-Phase Patienten trainiert (n=7019 CM / n=6859 NG CT Bilder).
In den Validierungsdaten (n=78 CM; n=56 NG Patienten) erreichte das UNET einen DICE score von 0.88 (CM) und 0.90 (NG KM-Phase).
Das UNET wurde anhand von n=316 CM und n=294 NG KM-Phase Patienten trainiert (n=7019 CM / n=6859 NG CT Bilder).
In den Validierungsdaten (n=78 CM; n=56 NG Patienten) erreichte das UNET einen DICE score von 0.88 (CM) und 0.90 (NG KM-Phase).
Schlussfolgerungen
Die automatisierte Segmentation von Nierentumoren in der CT-Bildgebung mittels UNET Deep Learning weist robuste Ergebnisse in der klinischen Praxis auf, unabhängig von der verwendeten Kontrastmittelphase.
Der hier präsentierte UNET-Algorithmus visualisiert die Nierentumorsegmentation mittels
Farbkodierung und Höhenlinien, welche auf CT-Bilder überlagert werden können. Diese unmittelbare visuelle Rückkopplung kann die Akzeptanz der automatisierten Segmentation in der klinischen Praxis im Sinne eines „explainable AI“ Ansatzes erhöhen.
Der hier präsentierte UNET-Algorithmus visualisiert die Nierentumorsegmentation mittels
Farbkodierung und Höhenlinien, welche auf CT-Bilder überlagert werden können. Diese unmittelbare visuelle Rückkopplung kann die Akzeptanz der automatisierten Segmentation in der klinischen Praxis im Sinne eines „explainable AI“ Ansatzes erhöhen.
Teilnahme Young Investigator Award
15:30 - 15:35
Vortrag (Wissenschaft)
Radiomics und Maschinelles Lernen zur Subtypisierung von Nierentumoren in der CT: eine multizentrische Bildgebungsstudie mit unabhängiger Validierung.
Julia Balz (Göttingen)
Zielsetzung
Prädiktion des histologischen Nierentumor-Subtyps in der Computertomographie (CT) mittels Radiomics und maschinellen Lernverfahren (ML).
Material und Methoden
Nierentumorpatienten wurden retrospektiv 2012-2022 an zwei universitären Zentren rekrutiert. Einschlusskriterien waren CT-Untersuchungen in corticomedullärer (CM) oder nephrogener (NG) KM-Phase. Patienten < 18 Jahren, mit zystischen/diffus infiltrativen Tumoren (z.B. Lymphome) wurden ausgeschlossen. Eine manuelle Nierentumor-Segmentation erfolgte auf sämtlichen axialen CT-Bildern.
Anhand der Segmentationen wurden 129 Radiomic features extrahiert und ML-Algorithmen trainiert, den histologischen Nierentumor-Subtyp vorherzusagen (Quantifikation mittels multiclass AUC).
Die ML-Verfahren wurden anhand der Daten eines universitären Zentrums mit Kreuzvalidierung trainiert; die Daten des anderen Zentrums dienten der unabhängigen Validierung.
Anhand der Segmentationen wurden 129 Radiomic features extrahiert und ML-Algorithmen trainiert, den histologischen Nierentumor-Subtyp vorherzusagen (Quantifikation mittels multiclass AUC).
Die ML-Verfahren wurden anhand der Daten eines universitären Zentrums mit Kreuzvalidierung trainiert; die Daten des anderen Zentrums dienten der unabhängigen Validierung.
Ergebnisse
Die Trainingsdaten umfassten 173 Patienten (medianes Alter 66J; 41% Frauen; 65% ccRCC; 6% chRCC; 13% pRCC; 8% AML; 9% Onkozytome); und die Validierungsdaten 137 Patienten (medianes Alter 65J; 31% Frauen; 58% ccRCC; 4% chRCC; 16% pRCC; 3% AML; 20%).
In den Trainingsdaten erreichte der ML-Algorithmus eine multiclass AUC von 0.77 (CM+NG), 0.73 (CM), und 0.77 (NG KM-Phase); in den unabhängigen Validierungsdaten eine multiclass AUC von 0.74 (CM+NG), 0.68 (CM), und 0.81 (NG KM-Phase).
In allen KM-Phasen zeigten die ML-Algorithmen eine niedrigere diagnostische Genauigkeit für die Identifikation Onkozytomen (AUC 0.67-0.71) als bei anderen Nierentumoren (z.B. AML AUC 0.84-0.85).
In den Trainingsdaten erreichte der ML-Algorithmus eine multiclass AUC von 0.77 (CM+NG), 0.73 (CM), und 0.77 (NG KM-Phase); in den unabhängigen Validierungsdaten eine multiclass AUC von 0.74 (CM+NG), 0.68 (CM), und 0.81 (NG KM-Phase).
In allen KM-Phasen zeigten die ML-Algorithmen eine niedrigere diagnostische Genauigkeit für die Identifikation Onkozytomen (AUC 0.67-0.71) als bei anderen Nierentumoren (z.B. AML AUC 0.84-0.85).
Schlussfolgerungen
Die Prädiktion des Nierentumor-Subtyps in der CT ist mittels Radiomics und KI-Verfahren mit guter diagnostischer Genauigkeit möglich. In unabhängigen, multizentrischen Daten zeigt sich eine robuste Performance, auch wenn Onkozytome eine diagnostische Herausforderung bleiben.
Der Informationsgehalt der singulären nehrogenen KM-Phase ist am höchsten, was den diagnostischen Mehrwert der corticomedullären KM-Phase infrage stellt.
Der Informationsgehalt der singulären nehrogenen KM-Phase ist am höchsten, was den diagnostischen Mehrwert der corticomedullären KM-Phase infrage stellt.
Teilnahme Young Investigator Award
15:35 - 15:40
Vortrag (Wissenschaft)
Deep Learning: Ist eine Vorhersage des Ansprechens von lokal fortgeschrittenen Rektumkarzinomen auf eine nCRT basierend auf prätherapeutischen T2w-MRT Aufnahmen in einer Multizenterstudie möglich?
Barbara Wichtmann (Bonn)
Zielsetzung
Evaluierung von top-scoring Deep-Learning(DL) Algorithmen zur Vorhersage des Ansprechens von lokal fortgeschrittenen Rektumkarzinomen(LARC) auf eine neoadjuvante Radiochemotherapie(nCRT) anhand von prätherapeutischen T2-gewichteten MRT-Bildern(T2w-Bilder) in einer Multizenterstudie.
Material und Methoden
Diese retrospektive Studie umfasste einen an 5 Zentren akquirierten Studiendatensatz aus 93 LARC-Patienten zum Trainieren/Validieren und einen externen klinischen Routinedatensatz aus 61 LARC-Patienten zum Testen der DL-Netze. Vor Beginn der nCRT erhielten alle Patienten eine MRT,inkl. hochaufgelöster T2w-Bilder. Das Ansprechen auf nCRT wurde nach der Operation anhand der histopathologischen Tumorregression bestimmt(Dworak Klassifikation).
Insgesamt wurden 7 DL-Architekturen aus 2D-/3D-Klassifizierungansätzen in verschiedenen Settings hinsichtlich ihrer Vorhersageleistung des Therapieansprechens anhand der prätherapeutischen T2w-Bilder evaluiert.
Insgesamt wurden 7 DL-Architekturen aus 2D-/3D-Klassifizierungansätzen in verschiedenen Settings hinsichtlich ihrer Vorhersageleistung des Therapieansprechens anhand der prätherapeutischen T2w-Bilder evaluiert.
Ergebnisse
Die Trainings-/Testdatensätze unterschieden sich signifikant in ihrer Zusammensetzung,z.B. T-/N-Staging und in Bildgebungsparametern wie Auflösung, TE-/TR-Zeit, Flip-Winkel, Feldstärke. Die Area Under Curve(AUC) der Receiver Operating Characteristics der getesteten DL-Modelle in ihren jeweils besten Konfigurationen reichte durchschnittlich von 0,53 bis 0,64 und war damit geringer als zuvor publizierte Werte in Ein-/Zweizenterstudien. Die Wiederverwendung von Gewichten aus an anderen, deutlich größeren Patientenkollektiven trainierten Modellen verbesserte die Vorhersagegenauigkeit, lag aber immer noch leicht unter den zuvor berichteten Werten (AUC 0,63 vs.0,72;Zhu HT et al.,Front Oncol 2020).
Schlussfolgerungen
Prätherapeutische T2w-Bilder enthalten relevante Informationen für die Vorhersage des Ansprechens von LARC auf nCRT. Die Performance der DL-Modelle in einer Multizenterstudie mit heterogenen Daten reicht derzeit nicht für eine zuverlässige Vorhersage aus. Die klinische Translation birgt jedoch ein enormes Potential hinsichtlich personalisierter Therapieansätze.
Teilnahme Young Investigator Award
15:40 - 15:45
Vortrag (Wissenschaft)
Muskelqualität in der CT als prädiktiver Biomarker für kolorektale Tumorchirurgie
Isabel Molwitz (Hamburg)
Zielsetzung
Untersuchung des prädiktiven Werts von CT-Muskelmasse und CT-Muskelqualität für die kolorektale Tumorchirurgie und zur Identifizierung von Hochrisikopatienten, die eine Prähabilitation benötigen.
Material und Methoden
Für diese retrospektive Studie wurden Patientinnen und Patienten mit Resektion eines kolorektalen Adenokarzinoms zwischen Januar 2016 und Dezember 2020 sowie verfügbarem präoperativen CT-Scan (<3 Monate vor OP) inkludiert. Es wurden der Charlson-Komorbiditätsindex (CCI) vor OP, postoperative Komplikationen entsprechend der Clavien-Dindo Klassifikation, die Hospitalisierungsdauer und Überlebenszeit erhoben. In den CT-Datensätzen wurde die Muskelmasse (Muskelfläche[cm2]/Körpergröße[m2])) und Muskeldichte (in Hounsfield Einheiten) der gesamten abdominellen Muskulatur auf Höhe des dritten Lendenwirbels gemessen. Die statistischen Analysen erfolgten mittels multivariabler linearer, logistischer und Cox-Proportional-Hazards-Regressionen adjustiert für Alter, Geschlecht, Body-Mass-Index, CCI, Tumorstadium und Operationsart.
Ergebnisse
In insgesamt 207 Patienten (123 männlich, 65 ±15 Jahre) war eine höhere Muskeldichte mit einer kürzeren Hospitalisierungsdauer verbunden (Hazard Ratio (HR) für frühere Entlassung: 1,25 [95% Konfidenzintervall (95%CI) 1,05, 1,48], p=0,011), ebenso mit weniger postoperativen Komplikationen (-0,36 [95%CI -0,64, -0,09], p=0,009) und besserem Überleben (HR für Tod 0,63 [95%CI 0,49, 0,81], p<0,001). Es wurden keine relevanten Zusammenhänge zwischen der Muskelmasse und der Hospitalisierungsdauer, postoperativen Komplikationen oder dem Überleben festgestellt.
Schlussfolgerungen
Im Gegensatz zu der aus der CT-Muskelfläche berechneten Muskelmasse kann die CT-Muskeldichte als Maß einer Myosteatose und Muskelqualität verwendet werden, um Hochrisikopatienten zu identifizieren, die vor kolorektaler Tumorchirurgie von einer Prähabilitation profitieren.
Teilnahme Young Investigator Award
15:45 - 15:50
Vortrag (Wissenschaft)
Strukturierte, kriterienbasierte Diagnostik des NSCLC als Grundlage von Clinical Decision Support Systemen
Maurice M. Heimer (München)
Zielsetzung
Entwicklung eines Integrated Structured Reporting Tools für die Erstdiagnostik des Nicht-kleinzelligen Lungenkarzinoms (NSCLC), die eine leitliniengerechte Integration klinischer, radiologischer und pathologischer Befunde als Grundlage eines automatisierten, leitlinienbasierten Clinical Decision Support Systems (CDSS) für die Tumorkonferenz ermöglicht
Material und Methoden
In dieser retrospektiven, monozentrischen Studie wurden n=309 Patienten (Durchschnittsalter: 67,2±1,0, 44% weiblich, 56% männlich), mit pathologisch gesichertem NSCLC und vorliegendem F18-FDG PET/CT eingeschlossen. Klinische, pathologische und radiologische Daten der Erstdiagnostik wurden in einem teils neu entwickelten Datawarehouse (mint Lesion, mint Medical, Heidelberg) zusammengeführt und entsprechend aktuellen Leitlinien und klinischer Kriterien segmentiert, annotiert und kriterienbasiert nach TNM und UICC klassifiziert. Die klinischen FDG-PET/CT-Befunde wurden auf Vollständigkeit des TNM-Stadiums überprüft.
Ergebnisse
Es wurde ein Datawarehouse-Prototyp zur regelbasierten, interdisziplinären Diagnostik des NSCLC entwickelt; dies umfasst ein radiologisches Befundungsmodul (Lungenkarzinom TNM 8.0), sowie ein klinisches und ein pathologisches Template, die die Grundlage integrierter Algorithmen darstellen. In den PET/CT Befunden wurde das klinische TNM- und UICC Stadium in 0 von 309 Fällen dokumentiert. Im radiologischen Befundungsmodul wurden bei 309 von 309 Patienten klinisches TNM- als auch UICC Stadium automatisiert festgelegt (p<0.0001).
Schlussfolgerungen
Initiale Ergebnisse aus Entwicklung und Anwendung von Integrated Structured Reporting Tools zeigen, dass diese eine systematische und effiziente Bereitstellung der für die klinische Therapieentscheidung relevanten, kritierienbasierten Informationen ermöglichen und als technische Grundlage eines automatisierten Therapiealgorithmus für die Tumorkonferenz dienen könnten.
Teilnahme Young Investigator Award
15:50 - 16:15
Diskussion
Diskussion
Häufige Fragen
Wie kann ich mich zum RÖKO WIESBADEN anmelden?
Alle Informationen zur Anmeldung für den RÖKO WIESBADEN erhalten Sie unter Anmeldung.
Um einen zügigen Zugang zum Kongress zu erhalten, empfehlen wir allen, die digitale Anmeldung im Vorfeld zu nutzen.
Eine persönliche Anmeldung in Wiesbaden können Sie ab dem 17.05.2023 vor Ort am Registrierungscounter im RheinMain CongressCenter (RMCC) vornehmen.
Für teilnahmebegrenzte Kurse (Workshops/MTR-Workshops/MTR-Klinik-Seminare) fallen gesonderte Teilnahmegebühren an. Wir empfehlen, diese frühzeitig mit der Online-Anmeldung zu buchen.
Wie stelle ich mein persönliches Kongressprogramm zusammen?
Um Ihnen die persönliche Kongressplanung im Rahmen des RÖKO WIESBADEN so einfach wie möglich zu machen, haben wir für Sie die Vormerken-Funktion eingeführt, mit deren Hilfe Sie Ihr persönliches Kongressprogramm zusammenstellen und jederzeit online darauf zugreifen können.
Informationen zum Vormerken finden Sie in der News "So gestalten Sie Ihr persönliches Programm für den RÖKO WIESBADEN", Ihr persönliches RÖKO WIESBADEN-Programm finden Sie im Benutzermenü in Listenansicht und als grafische Tagesansicht.
Ich halte einen Vortrag – was muss ich beachten?
Alle wichtigen Informationen rund um Ihren Vortrag beim 104. Deutschen Röntgenkongress in Wiesbaden haben wir für Sie unter "Informationen für Vortragende" zusammengestellt.
Wie erwerbe ich CME-Punkte auf dem RÖKO WIESBADEN?
Alle wissenschaftlichen Fortbildungsveranstaltungen werden von der Landesärztekammer (LÄK) Hessen zertifiziert. Die LÄK vergibt drei CME-Punkt pro Kongress-Halbtag.
Die teilnahmebegrenzten Workshops werden separat seitens der LÄK Hessen zertifiziert. Die zuerkannten CME-Punkte entnehmen Sie bitte den Programmeinträgen der einzelnen teilnahmebegrenzten Workshops.
Bitte beachten Sie: Sollten Sie als Fachärztin oder Facharzt Fortbildungspunkte erwerben, erfolgt die Übermittlung der gesammelten CME-Punkte nach dem RÖKO WIESBADEN automatisch an Ihre Ärztekammer. Voraussetzung hierfür ist, dass Ihre EFN im Registrierungssystem hinterlegt ist und Sie Ihren Kongressausweis zur Erfassung Ihrer Anwesenheit vor den Vortragssälen einscannen.
Falls Ihre EFN noch nicht hinterlegt ist, können Sie diese in dem Modul „Mein Account“ im Registrierungssystem ergänzen oder uns per E-Mail an registrierung-roeko@kukm.de mitteilen.
Wie erhalte ich Anwesenheits- bzw. Teilnahmebescheinigungen?
Sie können Ihre Teilnahmebescheinigung mit den ausgewiesenen CME-Punkten ca. Drei Wochen nach dem Kongress im Registrierungssystem abrufen. Sobald der Download möglich ist, werden Sie per E-Mal benachrichtigt.
Sofern Sie eine allgemeine Anwesenheitsbescheinigung – ohne Fortbildungspunkte – für den Tag Ihrer Anwesenheit benötigen, z.B. für Ihren Arbeitgeber, können Sie diese täglich ab 14:00 Uhr an den Self-Print-Säulen im Eingangsbereich ausdrucken.
Wie evaluiere ich den RÖKO WIESBADEN?
Bewerten Sie Vorträge auf dem Röntgenkongress 2023 in Wiesbaden, an denen Sie teilgenommen haben und nehmen Sie Einfluss auf das nächste Kongressprogramm!
Sie fragen sich, wie? Klicken Sie im Programmkalender, auf der Detailseite der entsprechenden Sitzung, auf den Evaluationslink und Sie werden anschließend zu den Evaluationsfragen der aktuellen Sitzung geführt und können dort Ihre Bewertung abgeben.
Wir haben für Sie alle Informationen zur Evaluation hier zusammengestellt.