gms | German Medical Science

Fragestellung: In der Medizin zeigt sich ein zunehmendes Interesse am Potenzial der künstlicher Intelligenz. In der Unfallchirurgie und Radiologie gibt es erste Grundlagenarbeiten zur Verwendung von Neuronalen Netzwerken (NN) in der Frakturerkennung. In der Regel sind zum Training der Algorithmen große Mengen von Bilddaten notwendig. Daher werden meist einfache Röntgenbilder von häufigen Frakturen verwendet. Seltene Frakturen wie die Acetabulumfraktur (AF) sind in der Literatur unterrepräsentiert. Auch die Datensätze aus der Computertomographie (CT) werden aufgrund der Komplexität selten in NN verwendet. Durch diese Pilotstudie wird erstmalig ein NN etabliert, welches eine AF in einem CT-Datensatz erkennen kann.

Methodik: Das Forschungsvorhaben wurde durch die lokale Ethikkommission genehmigt. Durch die Teilnahme am Beckenregister der DGU wurden im Zeitraum von 01/2003 bis 12/2019 in unserer Klinik alle Beckenfrakturen erfasst. Alle Patienten mit einer AF wurden in die Studie eingeschlossen. Die gespeicherten CT-Datensätze wurden abgeglichen. Alle Patienten ohne CT-Datensatz, mit knöcherner Begleitverletzung des Beckens oder mit störendem Metallartefakt (z. B. Marknagel am proximalen Femur, Endoprothese, Plattenosteosynthese, etc.) wurden ausgeschlossen. Vor der Verarbeitung der CT-Datensätze wurden diese durch ein eigens entwickeltes Anonymisierungsprogramm bearbeitet. Es erfolgte eine randomisierte Zuteilung in 80% Trainings- und 20% Testdatensätze. Es wurde ein NN der Med3D-Gruppe für die Erkennung von Frakturen modifiziert. Für die bessere Bilderkennung erfolgte eine automatisierte Extraktion der relevanten Bildausschnitte. Zur Optimierung des Berechnungsaufwand wurde das sogenannten Global Average Pooling verwendet. Durch eine Datenaugmentation wurden die Datensätze künstlich vervielfältigt. Dabei werden vorhandene Bilder durch z. B. Spiegeln, Verzerren, etc. leicht verändert.

Ergebnisse und Schlussfolgerung: Insgesamt konnten 654 Patienten mit einer AF eingeschlossen werden. Nach Anwendung der Ausschlusskriterien blieben 159 CT-Datensätze. Durch die Techniken von Extraktion, Global Average Pooling und Augmentation konnten die Leistung des NN gebessert werden. In der Erkennung von AF in CT-Datensätzen konnte eine Genauigkeit von 82.8%, Sensitivität von 81,2%, Spezifität von 84,4% und AUC (Area Under the Curve) von 89,6% erreicht werden.

Die Genauigkeit der Frakturerkennung ist mit der gängigen wissenschaftlichen Literatur vergleichbar. In diesem speziellen Anwendungsfall gibt es eine Limitierung durch die geringe Anzahl der Trainingsdatensätze und die Komplexität der AF. Durch unsere Pilotstudie werden die Möglichkeiten und Grenzen eines NN in der Erkennung einer seltenen Fraktur aufgezeigt. Eine multizentrische Folgestudie ist initiiert. Die höhere Fallzahl steigert die Genauigkeit und ermöglicht eine Subgruppenanalyse zur Klassifikation der Bruchformen. Langfristig soll unsere Arbeit als Softwarelösung die klinische Diagnostik unterstützen.