Einblicke und Herausforderungen bei der Implementierung von Vision Transformern in der Thoraxradiographie

Zielsetzung Ziel dieser Studie war die Bewertung eines Vision Transformer (ViT)-basierten KI-Modells, das auf öffentlich zugänglichen Röntgen-Thorax-Aufnahmen (Rö-Tx) trainiert wurde, bei der Anwendung auf reale Klinikdaten. Untersucht wurden die Performance in der Erkennung von Pleuraerguss, Pneumothorax, Kardiomegalie und Konsolidierungen sowie potenzielle Störfaktoren.

Material und Methoden Das auf ImageNet vortrainierte Modell wurde nach Finetuning mit ca. 700.000 öffentlichen Rö-Tx an 113 Klinik-internen Rö-Tx getestet, darunter 23 Pneumothorax-, 29 Kardiomegalie-, 31 Konsolidierungs-, 52 Pleuraergussfälle und 29 Normalbefunde. Die Performance wurde anhand von ROC-Kurven, AUC, Youden-Koeffizienten und Sensitivitäts- und Spezifitätsmetriken ermittelt, Störfaktoren mittels logistischer Regression und Fisher-Test analysiert.

Ergebnisse Alle Normalbefunde wurden korrekt erkannt. Für Pleuraergüsse zeigte das Modell 96,2% Sensitivität und 98,4% Spezifität, was auf hohe Genauigkeit hinweist. Für Pneumothorax betrug die Sensitivität nur 26,1%, Spezifität 96,7%. Die Pneumothoraxgröße und einliegende Thoraxdrainagen waren signifikante Störfaktoren. Kardiomegalie wurde mit 55,2% Sensitivität und 96,4% Spezifität erkannt, wobei ein gleichzeitiger Pleuraerguss als potenzieller Störfaktor wirkt. Konsolidierungen wurden mit 45,2% Sensitivität und 91,5% Spezifität erkannt – dichtere Konsolidierungen wurden signifikant häufiger detektiert.

Schlussfolgerungen Die Implementierung von auf öffentlichen Daten trainierten KI-Modellen in die Klinik bleibt herausfordernd. Unser ViT-Modell erkannte Pleuraergüsse und Normalbefunde gut, zeigte jedoch Limitationen bei der Erkennung der übrigen Pathologien. Bekannte Störfaktoren wie Pneumothoraxgröße und einliegende Thoraxdrainagen wurden bestätigt und neue identifiziert, z.B. die Konsolidierungsdichte. Diese Studie verdeutlicht die Hürden der KI-Integration in die Klinik und die Bedeutung einer sorgfältigen Bewertung der Modellleistung an realen Daten, insbesondere hinsichtlich Störfaktoren.

Publication History

Article published online:
25 March 2025