Loading
Medizinische Universität Graz    

Meine Abschlussarbeiten - Publikationen

Dissertation - Detailansicht
Wichtigste Meldungen anzeigenMeldungsfenster schließen
Bibliografische Informationen
 Automated trauma detection in knee radiographs with artificial intelligence – role of including additional magnetic resonance imaging data  
 Fragestellung:

Bewertung des Potenzials eines auf Deep Learning basierenden KI-Modells zur Vorhersage

schwerer innerer Knieverletzungen anhand von initialen Röntgenaufnahmen bei Kindern und

Jugendlichen sowie Beurteilung seines Nutzens als Triage-Instrument zur Unterstützung von

Überweisungsentscheidungen für die weiterführende MRT.

Methoden:

Eine retrospektive, an zwei Zentren durchgeführte Studie umfasste 873 Patient*innen im Alter

von bis zu 19 Jahren, bei denen innerhalb von 48 Stunden nach einem akuten Trauma sowohl

eine Röntgenuntersuchung des Knies als auch eine MRT durchgeführt wurde. Insgesamt

wurden 1746 Röntgenaufnahmen in anterior-posteriorer und lateraler Projektion verarbeitet und

verwendet, um acht EfficientNet-Varianten (B0–B7) mittels 16-facher Kreuzvalidierung zu

trainieren und zu evaluieren. Die MRT diente als Referenzstandard. Die Leistung wurde anhand

der Precision-Recall-AUC, des Recalls, des F1-Scores, von Kalibrierungsmetriken und einer

Entscheidungskurvenanalyse bewertet. Eine sekundäre Klassifizierungsaufgabe bewertete die

Erkennung von Gelenkergüssen.

Ergebnisse:

EfficientNet-B5 erzielte die höchste Gesamtklassifikationsbalance mit einer PR-AUC von

0.828 bei seitlichen Röntgenaufnahmen, einem Recall von 0.789, einer Präzision von 0.745 und

einem F1-Score von 0.766. Seitliche Projektionen schnitten deutlich besser ab als antero-

posteriore Aufnahmen (P = 0.008), und die Leistung war bei Patienten ab 13 Jahren im

Vergleich zu jüngeren Kindern signifikant höher (PR-AUC 0.846 vs. 0.779, P = 0.008). Die

Erkennung von Ergüssen im Kniegelenk erreichte einen Höchstwert von AUC = 0.849.

Schlussfolgerung:

In unserer Studie an Kindern und Jugendlichen erzielte EfficientNet-B5 bei der Anwendung

auf seitliche Knie-Röntgenaufnahmen einen PR-AUC-Wert von 0.828 und einen Recall von

0.789 bei der Vorhersage relevanter innerer Knieverletzungen, mit einer signifikant besseren

Leistung bei Patienten ab 13 Jahren und einem AUC-Wert von 0.849 für die Erkennung

sekundärer Ergüsse, was das Potenzial von Deep Learning als röntgenbasiertes Hilfsmittel zur

MRT-Triage bei Kindern und Jugendlichen demonstriert.  
 Artificial Intelligence, Knee, Digital Radiography, Radiology, Magnetic Resonance Imaging  
 
 –  
 Radiologie
Autorinnen*Autoren / Co-Autorinnen*Co-Autoren
  Stranger, Nikolaus; Dr.med.univ.
Betreuende Einrichtung / Studium
  Universitätsklinik für Radiologie
 UO 790 202 Dr.-Studium der medizin. Wissenschaft; Humanmedizin  
Betreuung / Beurteilung
  Tschauner, Sebastian; Univ.-Prof. Priv.-Doz. Dr.med.univ. Dr.scient.med.
  Singer, Georg; Univ.-Prof. Priv.-Doz. Dr.med.univ.
  Mattiassich, Georg; Prim. Priv.-Doz. Dr., MSc, MBA