Loading
Medizinische Universität Graz   Hilfe

Meine Abschlussarbeiten - Publikationen

Diplomarbeit - Detailansicht
Wichtigste Meldungen anzeigenMeldungsfenster schließen
Bibliografische Informationen
 Automatisierte Frakturerkennung bei Kindern anhand schwieriger Fälle aus der kindertraumatologischen Routine  
 Hintergrund:

Frakturen im Kindesalter stellen ein erhebliches Gesundheitsproblem dar und gehören zu den häufigsten Gründen für den Besuch in der Notaufnahme. Außerhalb der regulären Dienstzeiten der Kinderradiolog:innen werden Röntgenbilder von der Universitätsklinik für Kinder- und Jugendchirurgie befundet. Am darauffolgenden Arbeitstag werden diese Bilder von Ärzt:innen der Universitätsklinik für Kinderradiologie überprüft, wobei es gelegentlich zu Diskrepanzen zwischen den Befunden der beiden Abteilungen kommt. Diese Fälle werden in der Abteilung für Kinderradiologie auf einer internen Liste dokumentiert. Computer-Vision-Modelle haben bemerkenswerte Ergebnisse in der automatisierten Frakturerkennung gezeigt, allerdings kann ihre Leistung je nach Zusammensetzung der zugrundeliegenden Testdatensätze variieren. Wir gehen davon aus, dass die beiden KI-Algorithmen EfficientNet und YOLOv8 mit zunehmender Fallkomplexität eine signifikant geringere diagnostische Gesamtleistung in einem Testdatensatz mit schwierigen Fällen im Vergleich zu einem abgeglichenen Testdatensatz aufzeigen.

Material und Methoden:

Es wurden zwei Testdatensätze retrospektiv erstellt: einer bestehend aus Röntgenbildern mit “schwierigen“ Fällen (n=786), bei denen es anfänglich zu besagten Diskrepanzen zwischen den diagnostischen Befunden gekommen ist, und ein Datensatz (n=786), der anhand Körperregion, Alter und Frakturrate angepasst wurde. Klassifizierung (EfficientNet) und Objekterkennung (YOLOv8) wurden anhand gängiger Leistungsmetriken für maschinelles Lernen bewertet: Precision, Recall, F1-score, Accuracy und PR AUC. Die statistische Signifikanz wurde mit dem Wilcoxon Signed Rank Test ermittelt.

Ergebnisse:

Die diagnostische Leistung beider Modelle war beim schwierigen Testsatz im Vergleich zum angepassten durchgängig geringer. EfficientNet: mittlere Precision 0,683 (± 0,030) vs. 0,766 (± 0,057), mittlerer Recall 0,627 (± 0,017) vs. 0,754 (± 0,051), mittlere Accuracy 0,660 (± 0,017) vs. 0,764 (± 0,052), mittlerer F1- score 0,615 (± 0,019) vs. 0,757 (± 0,053), mittlere PR AUC 0,682 (± 0,033) vs. 0,816 (± 0,062) und YOLOv8: mittlere Precision 0,724 (± 0,016) vs. 0,928 (± 0,018), mittlerer Recall 0,467 (± 0,022) vs. 0,858 (± 0,026), mittlere mAP50 0,553 (± 0,022) vs. 0,932 (± 0,021), mittlere mAP50-95 0,253 (± 0,006) vs. 0,709 (± 0,024), mittlerer F1-score 0,568 (± 0,017) vs. 0,891 (± 0,022) und mittlerer PR AUC 0,735 (± 0,024) vs. 0,929 (± 0,029). Die Ergebnisse waren statistisch signifikant (p < 0,05).

Schlussfolgerung:

Es wurde eine erheblich geringere diagnostische Leistung der Modelle EfficientNet und YOLOv8 samt Untervarianten bei der Klassifizierung und Erkennung von Frakturen im Testdatensatz mit schwierigen Fällen im Vergleich zum angepassten Datensatz nachgewiesen.  
 KI; Machine Learning; Deep Learning, Computer Vision, EfficientNet, YOLOv8; Fraktur; Frakturerkennung  
 
 –  
Autorinnen*Autoren / Co-Autorinnen*Co-Autoren
  Stütz, Daniel Matthias
Betreuende Einrichtung / Studium
  Universitätsklinik für Radiologie
 UO 202 Humanmedizin  
Betreuung / Beurteilung
  Tschauner, Sebastian; Univ.-Prof. Priv.-Doz. Dr.med.univ. Dr.scient.med.
  Janisch, Michael August Johann; Univ. FA Dr.med.univ.