Medizinische Universität Graz

Meine Abschlussarbeiten - Publikationen

Diplomarbeit - Detailansicht

Gehe zu

Betreute Abschlussarbeiten

Sprachversion

Deutsch (Sprache des Volltextes) Englisch

Bibliografische Informationen

Titel

Diagnosestellung des infantilen Hämangioms anhand eines Fotos mittels Machine Learning

Kurzfassung

Einleitung: Das infantile Hämangiom (IH) stellt den häufigsten vaskuläre Tumor im Säuglingsalter dar. Obwohl ein Großteil der Läsionen einen selbstlimitierenden Verlauf

zeigt, treten bei etwa 10–15% der Patient*innen Verläufe mit Komplikationen auf, die eine frühzeitige therapeutische Intervention, vor allem die Verabreichung von Propranolol,

erforderlich machen können. Die Diagnosestellung erfolgt überwiegend klinisch in der Primärversorgung und im niedergelassenen Bereich und ist angesichts der großen

morphologischen Variabilität mitunter herausfordernd. Die rechtzeitige Überweisung an ein Expertisezentrum ist vor allem durch eine zeitliche Limitierung der Propanololtherapie

essenziell für das Outcome der IH-Behandlung. Trotz etablierter Scores kommt es trotzdem

in der Praxis zu verspäteten oder unterlassenen Überweisungen an Expertisezentren. Die primäre Erstdiagnose und Beurteilung von IHs stellt ein Problem im Bereich der vaskulären

Anomalien dar, bietet aber auch Potential für neue Ansätze. Ziel dieser Diplomarbeit ist es, die diagnostische Leistungsfähigkeit eines KI-basierten Bildklassifikationsmodells mit jener von Ärzt*innen unterschiedlicher fachlicher Spezialisierung und Erfahrungsniveaus bei der Diagnose von IH anhand eines einzelnen Fotos zu vergleichen.

Methoden: Für das Training des KI-Modells wurden 13.142 klinische Bilder aus den Jahren 2000 bis 2023 aus der Gefäßambulanz der Univ.-Klinik für Kinder- und Jugendchirurgie in Graz herangezogen. Die Annotation der IHs erfolgte mittels Bounding-Box-Markierungen unter Verwendung von CVAT (Computer Vision Annotation Tool). Anschließend wurde ein Detektionsmodell auf Basis von YOLOv11 (Ultralytics) trainiert. Zur Evaluation wurde ein unabhängiger Testdatensatz mit insgesamt 400 Bildern eingesetzt, davon 200 Aufnahmen mit insgesamt 215 IHs, sowie 200 Bilder mit Differenzialdiagnosen oder unauffälligen

Hautbefunden. Die Performance des KI-Systems wurde mit jener von sechs Ärzt*innen verglichen, die unterschiedliche Erfahrungsniveaus und Spezialisierungen repräsentierten:

zwei Experten für vaskuläre Anomalien, zwei universitätsklinisch tätige Pädiater*innen und zwei Kinderchirurg*innen ohne spezielle Expertise im Bereich vaskulärer Anomalien. Zur quantitativen Leistungsbewertung wurden Precision, Recall und F1-Score herangezogen.

Resultate: Die höchste diagnostische Genauigkeit erzielten die beiden Experten für vaskuläre Anomalien mit F1-Scores von 0,782 und 0,815, sowie Precision- und RecallWerten von jeweils bis zu 0,828. Die übrigen vier Ärzt*innen ohne Spezialisierung erreichten insgesamt niedrigere Werte und zeigten eine größere Streuung der Ergebnisse. In dieser Gruppe lagen die F1-Scores zwischen 0,620 und 0,676, die Precision zwischen 0,607 und 0,816 sowie der Recall zwischen 0,535 und 0,679. Die fünf Varianten des YOLOv11-Modells lieferten vergleichsweise stabile Resultate mit F1-Scores zwischen 0,728 und 0,754, einer Precision von 0,752 bis 0,838 und einem Recall zwischen 0,674 und 0,707. Insgesamt konnte das KI-Modell mit den fünf YOLOv11-Varianten durchschnittlich mit einem F1-Score von 0,741 ± 0,011, einer Precision von 0,796 ± 0,033 und einem Recall von 0,694 ± 0,014 eine höhere diagnostische Genauigkeit als die Ärzt*innen im Durchschnitt mit einem F1-Score von 0,694 ± 0,084, einer Precision von 0,723 ± 0,103 und einem Recall von 0,677 ± 0,101 erzielen.

Schlussfolgerung: Das trainierte KI-Modell übertraf in seiner diagnostischen Leistungsfähigkeit Ärzt*innen ohne Expertise für vaskuläre Anomalien, erreichte jedoch nicht das Niveau hochspezialisierter Expert*innen. Die Ergebnisse sprechen für einen potenziellen Einsatz der KI als unterstützendes Instrument in der Primärversorgung, insbesondere bei der Erstbeurteilung und der Entscheidung über eine weiterführende

Überweisung. Durch eine solche Unterstützung könnten KI-Systeme die diagnostische Sicherheit steigern, als Hilfsmittel für Ärzt*innen in der Ausbildung dienen, die Variabilität zwischen Beurteilenden reduzieren, eine zeitgerechte Zuweisung an Expertisezentren

fördern sowie im Rahmen der Telemedizin Anwendung finden und Expert*innen mit einer Zweitmeinung unterstützen.

Schlagwörter

Anzahl Seiten

Publikationsjahr

–

Autorinnen*Autoren / Co-Autorinnen*Co-Autoren

Autor*in

Doppler, Selina

Betreuende Einrichtung / Studium

Betreuende Organisation

Universitätsklinik für Kinder- und Jugendchirurgie

Studium

UO 202 Humanmedizin