alert-checkalert-circlealert-trianglearrowassignmentbg-s-outlinesbg-sburger-whiteburgercalendarcheckclosedownloaddropdownemailFacebook iconheartinfoInstagram iconlinkLinkedIn iconlocationlocknbk_assignmentnbk_contactnbk_drivenbk_emergencynbk_servicesnbk_specialistphonesearchshow-morex_negXing iconYouTube iconyoutube2

News Forschung: Automatische Berechnung von Parametern der Halswirbelsäule mittels Deep Learning

Forschende der Schulthess Klinik haben eine Studie mitverfasst, die ein Modell untersucht, das eine genauere, automatische Messung von Parametern der Wirbelsäule bei Röntgenaufnahmen zulässt. Das Modell basiert auf Deep Learning und unterstützt Chirurgen vor allem bei der Diagnose der Adjacent Segment Disease.

Bei der Adjacent Segment Disease (ASD) handelt es sich um die Entwicklung neuer Wirbelsäulensymptome (neurologische Symptome und Nackenschmerzen) aufgrund des normalen Fortschreitens der Degeneration (häufig bei älteren Patienten) und/oder in einem Bereich, der an eine frühere Wirbelsäulenoperation angrenzt.

Die Diagnose der zervikalen ASD ist aufgrund der ungenauen Korrelation von Röntgenbildern und klinischen Befunden kompliziert. Obwohl die Röntgenergebnisse nicht immer mit der klinischen Diagnose übereinstimmen, helfen Röntgenbild und klinische Untersuchung dem Chirurgen bei der Entscheidung, wie ein Patient mit anhaltenden Schmerzen zu behandeln ist.

Chirurgen werden unterstützt, Beurteilungen der Wirbelsäule schneller und mit guter Genauigkeit zu machen

Die hier vorgestellte Arbeit, hat einen sehr technischen Ansatz und umfasste den Einsatz von Deep Learning (eine Form des maschinellen Lernens und der künstlichen Intelligenz, die die Art und Weise imitiert, wie Menschen Wissen erwerben), um die Berechnung wichtiger Röntgenmessungen der Halswirbelsäule zu optimieren, die unsere Chirurgen regelmäßig in der Klinik durchführen.

Die Forschungsgruppe entwickelte eine neue Analysemethode unter Verwendung eines Deep-Learning-Modells zur präzisen, automatischen Berechnung einiger wichtiger Wirbelsäulenparameter aus Röntgenaufnahmen der Halswirbelsäule. Die Genauigkeit ist mit der von menschlichen Untersuchern vergleichbar.

Schlussfolgerung: Das Modell kann Chirurgen und Röntgenassistenten dabei unterstützen, Beurteilungen der Wirbelsäule schneller und mit ähnlicher Genauigkeit durchzuführen, wie sie von einem Menschen erreicht wird. Es ersetzt zwar den menschlichen Gutachter nicht komplett, ist aber ein Schritt zur Verbesserung des klinischen Entscheidungsprozesses bei der Behandlung von ASD.

Wirbelsäulenparameter

Publikation: Nakarai H, Cina A, Jutzeler C, Grob A, Haschtmann D, Loibl M, Fekete TF, Kleinstück F, Wilke HJ, Tao Y and Galbusera F. Automatic calculation of cervical spine parameters using deep learning: development and validation on an external dataset. Global Spine J (Epub ahead of print) DOI: 10.1177/21925682231205352, 2023

Mitautoren der Studie