Loading
Medizinische Universität Graz   Hilfe

Meine Abschlussarbeiten - Publikationen

Diplomarbeit - Detailansicht
Wichtigste Meldungen anzeigenMeldungsfenster schließen
Bibliografische Informationen
 Unterscheidung benigner und maligner Knochenläsionen bei Kindern in der diagnostischen Bildgebung mit Zuhilfenahme künstlicher Intelligenz  
 Einleitung: Primäre Knochentumore im Kindes- und Jugendalter sind selten und stellen daher eine diagnostische Herausforderung dar. Maligne Läsionen sind schwerwiegende Diagnosen, die eine Reihe von Therapien erfordern und einen letalen Verlauf haben können. Eine frühzeitige Erkennung und zuverlässige Einschätzung der Dignität solcher Läsionen ist von hoher Relevanz. Ziel dieser Diplomarbeit war es, einen Datensatz mit Röntgenbilder pädiatrischer maligner und benigner Knochenläsionen zu erstellen und diesen zur Evaluierung von EfficientNet-Modellen B0 – B7 hinsichtlich ihrer Fähigkeit zur Dignitätsklassifikation zu verwenden.

Patient*innen und Methoden: In die Studie eingeschlossen wurden Patient*innen, die zum Untersuchungszeitpunkt zwischen 0 – 19 Jahre alt waren, mit einem Untersuchungszeitraum zwischen dem 01.01.2004 bis zum 30.05.2024. Die Diagnosen wurden entweder histopathologisch oder, sofern keine Biopsie notwendig war oder vorlag, durch ihr typisches radiologisches Erscheinungsbild bestätigt. Um Störfaktoren zu minimieren, wurden nur präinterventionelle Bilder eingeschlossen und solche nach Biopsien, Operationen, Chemotherapie und Radiotherapie ausgeschlossen. Der finale Datensatz umfasste 800 Röntgenbilder von 228 individuellen Patient*innen. Dieser wurde genutzt, um EfficientNet Varianten B0 – B7 zu trainieren und anschließend zu testen. Als Testparameter wurden Genauigkeit (Accuracy), Sensitivität (Recall), positive Vorhersagewert (Precision) und F1-Score verwendet. Zudem wurden Precision-Recall-Kurven (PR-Kurven) und Receiver-Operating-Characteristic-Kurven (ROC-Kurven) erstellt und deren Fläche unter der Kurve (AUC) berechnet.

Ergebnisse: Das Alter der Patient*innen lag zwischen 0.10 und 17.60 Jahren. Es handelte sich um 396 Bilder (38.25%) weiblicher Patientinnen und 464 Bilder (61.75%) männlicher Patienten. Der Datensatz umfasste 707 benigne (88.37%) und 93 maligne (11.63%) Läsionen. Alle Efficient-Net-Varianten erzielten bei benignen Tumoren eine sehr hohe Sensitivität (0.979 – 1.000) und einen guten positive Vorhersagewert (0.909 – 0.914). Der höchste F1-Score wurde mit 0.954 bei EfficientNet-B2 erreicht. Die Erkennung maligner Läsionen war deutlich schwächer. Die Sensitivität lag zwischen 0.237 und 0.301, der positive Vorhersagewert variierte stark zwischen 0.651 und 1.000. Die F1-Scores fielen dementsprechend niedrig aus (0.379 – 0.424). Bezogen auf die Gesamtheit aller Fälle zeigte EfficientNet-B2 die beste Performance mit einer Genauigkeit von 0.915 und einem F1-Score von 0.689. Die höchste PR-AUC erzielte B3 (0.624), dicht gefolgt von B1, B2 und B5.

Schlussfolgerung: EfficientNet-Modelle sind gut geeignet zur Erkennung benigner Knochentumor im Kindsalter, gezeigt durch die hohe Sensitivität in dieser Gruppe. Die Zuverlässigkeit bei malignen Läsionen war hingegen unzureichend, mit einer durchschnittlichen Sensitivität von 27%. Die Modelle identifizierten maligne Läsionen nur dann korrekt, wenn eine hohe Klassifikationssicherheit vorlag, was in einer niedrigen Falsch-Positiv-Rate, aber einer hohen Falsch-Negativ-Rate resultierte. Für diese Ergebnisse dürfte hauptsächlich das starke Klassenungleichgewicht im Datensatz ursächlich sein (88% benigne vs. 12% maligne Läsionen). Dies erschwert die Generalisierungsfähigkeit der Modelle erheblich. Für eine zuverlässige Anwendung in der klinischen Praxis ist ein Verbesserung der Modellleistung bei malignen Läsionen notwendig. Dies kann durch eine Erweiterung des Datensatzes, beispielweise durch synthetische Datengenerierung oder Datenaugmentation, erreicht werden.  
   
 
 –  
Autorinnen*Autoren / Co-Autorinnen*Co-Autoren
  Kupsch, Evelyn
Betreuende Einrichtung / Studium
  Universitätsklinik für Radiologie
 UO 202 Humanmedizin  
Betreuung / Beurteilung
  Tschauner, Sebastian; Univ.-Prof. Priv.-Doz. Dr.med.univ. Dr.scient.med.
  Dutschke, Anja; Dr.