gms | German Medical Science

Fragestellung: Bis heute stellt die klinische und nativ-radiologische Diagnose einer Syndesmosenruptur nach Distorsionstrauma eine diagnostische Herausforderung für die behandelnden Ärzte dar. Wird eine Syndesmosenruptur übersehen oder nicht korrekt diagnostiziert kann es langfristig zu einer Instabilität des oberen Sprunggelenkes mit vorzeitiger Arthroseentstehung kommen. Im Rahmen dieser Studie soll ein neuronales Konvolutionales Netzwerk (CNN) anhand von nativ-radiologischen Daten mit Matching der intraoperativen Syndesmoseninstabilität trainiert werden, um die Diagnose einer Syndesmosenruptur anhand von Röntgenbildern zu verbessern.

Methodik: Anhand von ICD-10 und OPS Codes wurden 700 Patienten mit verschiedenen OSG-Frakturen (2015–2023) identifiziert, bei denen eine intraoperative Stabilitätstestung dokumentiert wurde. Es konnten 1.588 digitale Röntgenbilder zum Trainieren, Validieren und Testen eingeschlossen werden. Die nativen Röntgenbilder wurden auf Grundlage des therapieentscheidenden Goldstandards des intraoperativen Hakentests und der AO-Klassifikation klassifiziert. Zur Auswertung wurden state-of-the-art CNNs (EfficientNet, NasNet, ResNet101) eingesetzt. Zusätzlich wurde eine extensive Preprocessing-Pipeline mit BatchNormalisation, DataAugmentation, SMOTE und k-fold-crossvalidation zur Optimierung des Algorithmus angewandt. Zur internen Validierung und Qualitätskontrolle wurden die Ergebnisse des Algorithmus mit Guided Grad CAMs/ScoreCAMs visualisiert. Abschließend erfolgte die statistische Auswertung des Algorithmus nach den Parametern F1-Score, AUCROC.

Ergebnisse und Schlussfolgerung: Die höchste Klassifizierungsgenauigkeit der Syndesmosenruptur beträgt nativradiologisch 80%. Die korrekte AO Übergruppe AO44 A/B/C wurde mit einer Genauigkeit von 89% erkannt. Hiermit liegt die Sensitivität bei 78%, die Spezifität bei 83% und die AUCROC (Area Under The Curve Receiver Operating Characteristics) bei 81%. Die Ergebnisse wurden mit Guided Grad CAMs / ScoreCAMs intrinsisch visualisiert und konsistente Befunde wurden erzielt.

Wir konnten einen Deep-Learning-Algorithmus entwickeln, der an Röntgenbildern und therapieentscheidenden intraoperativen Stabilitätstests erfolgreich trainiert wurde. In der Literatur liegt die Sensitivität der korrekten Identifizierung der akuten Syndesmosenruptur bei bis zu 62% mittels klinischer Tests, bei 47-56% durch nativ-radiologische Bildgebung, bei 85% durch CT-Aufnahmen und bei 94% durch MRT-Aufnahmen. Mit 80% Genauigkeit könnte dieses Tool als einfaches diagnostisches Hilfsmittel bei der Aufarbeitung von OSG-Frakturen eingesetzt werden. Basierend auf den sehr positiven ersten Ergebnissen erfolgt im nächsten Schritt die Entwicklung sowie Erweiterung des Algorithmus auf sämtliche Arten von Sprunggelenksverletzungen. Als Ausblick könnten durch diesen Algorithmus bereits durch konventionelle Röntgenaufnahmen einen Hinweis auf eine Syndesmosenruptur zu bekommen, so dass frühzeitig eine erweiterte Diagnostik und damit ein optimiertes Therapieregime angewandt werden kann.