Synthese künstlicher Röntgenaufnahmen des Handgelenks mit einem generativen Diffusionsmodell

Zielsetzung Die Verfügbarkeit großer, anonymisierter Datensätze ist für die Entwicklung von KI in der Medizin von entscheidender Bedeutung. Datenschutzbedenken schränken jedoch oft den Zugang zu realen Daten ein, was die Entwicklung moderner KI-Modelle erschwert. KI-generierte synthetische Datensätze könnten diese Lücke füllen und den Bedarf in der Radiologie für Trainings- und Forschungszwecke decken. Ziel dieser Studie war es daher, ein generatives Diffusionsmodell zu entwickeln, das in der Lage ist, hochqualitative, realitätsnahe Röntgenaufnahmen des Handgelenks zu erzeugen.

Material und Methoden Das Diffusionsmodell wurde auf einem Datensatz von 10.247 konventionellen Röntgenaufnahmen des Handgelenks in anterior-posteriorer Projektion trainiert, mit dem Ziel, synthetische Bilder zu erstellen, die echten klinischen Aufnahmen möglichst nahekommen. Zur Bewertung der Modellleistung führten neun Befunder unterschiedlicher Qualifikation – darunter sieben Radiologen und zwei Experten für Medizinphysik – eine Klassifizierungsstudie durch. Jeder Befunder überprüfte in zehn Testdurchgängen jeweils 16 Bilder und entschied, ob diese „real“ oder „synthetisch“ waren. Jeder Bildsatz enthielt dabei in etwa gleiche Anteile an echten und synthetischen Bildern.

Ergebnisse Die Erkennungsgenauigkeit der Befunder, echte von synthetischen Bildern zu unterscheiden, lag individuell zwischen 53,73% und 73,75%. Über alle Tests hinweg bewegte sich die Genauigkeit zwischen 25,25% und 93,75%. Die Analyse zeigte, dass erfahrene Radiologen durchgehend eine hohe Leistung bei der Bildunterscheidung erzielten, während die Genauigkeit bei weniger erfahrenen Teilnehmern stärker schwankte.

Schlussfolgerungen Die Studie zeigt, dass generative Diffusionsmodelle in der Lage sind, synthetische Röntgenbilder zu erzeugen, die visuell kaum von echten Bildern zu unterscheiden sind. Diese Technologie bietet vielversprechende Perspektiven zur Schaffung anonymer Datensätze und könnte die Datenknappheit in der medizinischen KI-Entwicklung erheblich lindern.

Publication History

Article published online:
25 March 2025