gms | German Medical Science

Fragestellung: Künstliche Intelligenz (KI) gilt als Schlüsseltechnologie der automatisierten Bildanalyse.

Ziel dieser klinisch-retrospektiven Studie war die Untersuchung der Präzision eines auf ‘machine learning’ basierten KI-Algorithmus (RAYLYTIC, Medical Data Automation, Leipzig, Deutschland) zur Bestimmung spinopelviner und sagittaler Parameter der Wirbelsäule.

Methodik: Hierzu wurden an 141 konventionell-radiologischen prä- und postoperativen Wirbelsäulenganzaufnahmen im seitlichen Strahlengang die sagittalen Parameter (sagittale vertikale Achse (SVA), lumbale Lordose (LL), sacral slope (SS), pelvic incidence (PI) und pelvic tilt (PT)) manuell und von zwei Untersuchern unabhängig voneinander erhoben. Alle Patienten erhielten eine langstreckige Korrekturspondylodese bei adulter spinaler Deformität. Die Präzision, Messgenauigkeit und Variabilität dieser Ergebnisse verglichen wir mit denen der KI-gestützten Bildanalyse. Patienten mit vorhandenem totalendoprothetischem Hüftgelenksersatz wurden ebenfalls eingeschlossen.

Ergebnisse und Schlussfolgerung: Die Inter- und Intraobserverreliabilität der manuellen Untersuchung zeigte eine Korrelation zwischen 0,85–0,99 (Pearson Korrelationskoeffizient). Der Vergleich zwischen den manuell und KI-basiert erhobenen Parametern zeigte eine sehr gute Intraclass Correlation: SVA: 0,99; LL: 0,81; PI: 0,71; PT: 0,85; SS: 0,72. Die Messgenauigkeit zwischen prä- und postoperativen Aufnahmen sowie von Patienten mit in situ befindlicher Hüft-TEP unterschied sich dabei nicht signifikant voneinander.

Die KI-basierte Bildanalyse ermöglicht eine zuverlässige Evaluation des Sagittalprofils und spinopelviner Parameter.Sie bietet die Möglichkeit einer Zeitersparnis und Qualitätskontrolle. Angesichts der hohen Präzision des KI-Algorithmus auch bei Implantat- und Bildartefakten ist eine routinemäßige klinische Nutzung möglich.