Künstliche Intelligenz zur Erkennung, Segmentierung und Klassifizierung von Knochentumoren auf Röntgenbildern

Zielsetzung Das Ziel der Studie war die Entwicklung einer künstlichen Intelligenz (KI), die automatisiert Knochentumore auf Röntgenbildern gleichzeitig erkennt, segmentiert und eine Einordnung bezüglich Tumorentität und Dignität vornimmt.

Material und Methoden In einer retrospektiven Analyse wurden 934 Patienten (Alter 33.2 ± 19.3 Jahre, 419 Frauen) eingeschlossen und je ein Röntgenbild von jedem Patienten verwendet, das vor Beginn der Therapie aufgenommen wurde. Der Datensatz enthielt 16 unterschiedliche Tumorentitäten, die histopathologisch gesichert wurden: Osteochondrome, Enchondrome, Chondroblastome, Osteoidosteome, nicht-ossifizierendes FIbrom, Riesenzelltumore, Chordome, Hämangiome, einfache und aneurysmatische Knochenzyste, fibröse Dysplasie, Chondrosarkome, Osteosarkome, Ewingʼs Sarkome, multiples Myelom, B-Zell Non-Hodgkin Lymphome. Die Tumoren wurden zusätzlich annotiert, indem um die Tumore eine Box eingezeichnet wurde, sowie der Tumor segmentiert wurde. Die Patienten wurden 70%/15%/15% für Training, Validierung und finales Testen der KI aufgeteilt. Die AI basierte auf einem RCNN-X101. In diesem neuronalen Netzwerk werden gleichzeitig Erkennung, Segmentierung und Klassifizierung gelernt, wodurch das Netzwerk das Wissen der unterschiedlichen Aufgaben kombinieren kann und dieses Wissen dem Netzwerk bei der Durchführung der Aufgaben hilft.

Ergebnisse Die entwickelte KI erzielte 83% Genauigkeit für die Beurteilung der Tumore als benigne oder maligne. Die KI erreichte eine Genauigkeit von 51% für die korrekte Einordnung in eine der 16 Tumorentitäten. Die KI platzierte in 82% der Fälle die Box korrekt um den Tumor mit einer intersection over union von 0.52 ± 34. Die Segmentierung führte die KI mit einem Dice Score von 0.60 ± 37 aus.

Schlussfolgerungen Die entwickelte KI ermöglichte eine verlässliche und gleichzeitig stattfindende Detektion, Segmentierung, sowie Klassifizierung von Knochentumoren auf Röntgenbildern. Durch das gleichzeitige Durchführen der unterschiedlichen Aufgaben kann die Genauigkeit verbessert werden.

Publication History

Article published online:
11 May 2021