Zusammenfassung - Multizentrische Validierung eines Deep-Learning-Modells zur Skoliosenbewertung

Multizentrische Validierung eines Deep-Learning-Modells zur Skoliosenbewertung

2025-07-18 17:21:53

{"Šimon Kubov","Simon Klíčník","Jakub Dandár","Zdeněk Straka","Karolína Kvaková","Daniel Kvak"}

{cs.CV,cs.AI,cs.LG}

Diese Forschungsarbeit untersucht die Effektivität eines tiefen Lernmodells zur Bewertung der Kyphose, einer Erkrankung, die durch eine abnormale Krümmung der Wirbelsäule gekennzeichnet ist. Das Ziel der Studie bestand darin zu ermitteln, ob das künstliche Intelligenz-Modell Cobb-Winkel-Messungen und Schweregradklassifikationen erzeugen kann, die denen von Spezialröntgenärzten entsprechen. Die Forschung umfasste eine mehrzentrische Validierungsstudie mit 103 stehenden Anteroposterior-Röntgenaufnahmen der gesamten Wirbelsäule, die aus zehn Krankenhäusern gesammelt wurden. Zwei muskuloskelettale Röntgenärzte haben jede Studie unabhängig gemessen und als Referenzleser gedient. Anschließend wurde das künstliche Intelligenz-Modell mit verschiedenen Metriken, einschließlich Bland-Altman-Analyse, mittlerem absoluten Fehler (MAE), quadrierter mittlerer Fehler (RMSE), Pearson-Korrelationskoeffizienten und Cohen's κ für die vierstufige Schweregradklassifikation, mit diesen Messungen verglichen. Das künstliche Intelligenz-Modell erzielte einen MAE von 3.89° (RMSE 4.77°) im Vergleich zu Röntgenärztin 1 und einen MAE von 3.90° (RMSE 5.68°) im Vergleich zu Röntgenärztin 2. Die Pearson-Korrelationskoeffizienten betragenten r = 0.906 und r = 0.880 (zwischen-Leser r = 0.928), während Cohen's κ für die Schweregradklassifikation 0.51 und 0.64 (zwischen-Leser κ = 0.59) erreichte. Diese Ergebnisse zeigen, dass das vorgeschlagene Softwareprogramm Cobb-Winkel-Messungen und Schweregradklassifikationen erzeugen kann, die denen von Expertröntgenärzten in mehreren Zentren vergleichbar sind. Die Studie schließt, dass die künstliche Intelligenz-Software das Schulterreporting und die Triage in klinischen Abläufen potenziell vereinfachen und verbessern kann, was die Effizienz und Konsistenz erhöhen könnte. Allerdings ist weiteres Forschungsbedarf erforderlich, um den Einfluss der Integration von KI auf die klinische Entscheidungsfindung und die Effizienz der Abläufe zu bewerten.