Der interdisziplinäre Forschungsverbund ARTEMIS hat sich zum Ziel gesetzt, das enorme Potenzial der künstlichen Intelligenz (KI) zusammen mit fortschrittlichen Bildverarbeitungsmethoden für die radiologische Diagnostik und die Modellierung des Erkrankungsrisikos auf dem Gebiet der muskulo-skelettalen Erkrankungen (MSK) auszuschöpfen. Die Bildgebung erfolgt mittels Computertomographie (CT) insbesondere für Osteoporose. Hierbei erfolgt auch eine differenzialdiagnostische Abklärung gegenüber degenerativen Erkrankungen. Konkret sollen mit den KI-Techniken die folgenden spezifischen Ziele im Verbund verfolgt werden: 1. CT-Scans sollen ausgewertet werden, um zu überprüfen, ob der Patient ein hohes Osteoporose-bedingtes 10-Jahres-Frakturrisiko hat (Konzept der opportunistischen Früherkennung). 2. Die diagnostische und differentialdiagnostische Beurteilung von MSK-Erkrankungen soll verbessert werden, indem eine KI-Unterstützungssoftware "i4 ReaderAssistant" für Radiologen und Kliniker erstellt wird. Diese KI-Unterstützungssoftware soll den Arzt auf relevante Krankheitsmerkmale hinweisen. Damit soll es möglich sein, Hinweise auf a) osteoporotische Knochenbrüchigkeit der thorakolumbalen Wirbelsäule und des proximalen Femurs und b) eine differenzial-diagnostische Abgrenzung zu degenerativen Veränderungen an der Wirbelsäule zu erhalten. Der entstehende Datensatz bei der Aufnahme eines CT`s ist groß und komplex, so dass Krankheitsanzeichen leicht übersehen werden können. Eine automatisierte Bewertung mit Hilfe von KI kann demzufolge die Sicherheit bei der Diagnose-Erstellung wesentlich erhöhen. Im diesem Vorhaben erfolgt die Identifikation und Analyse von Bildmerkmalen, die spezifisch für Osteoporose und degenerative Erkrankungen der Wirbelsäule sind. Außerdem werden klassische und KI-basierte Risikovorhersage-Modelle für osteoporotische Frakturen und statistische Modelle zur Risikobewertung erarbeitet.

Die Computertomographie (CT) ist die wichtigste und am häufigsten verwendete 3D-Bildgebungstechnik in der diagnostischen Radiologie. Allein in Deutschland werden jährlich mehr als 5 Millionen CT-Scans (2013) durchgeführt. Diese CT-Scans sind eine riesige, aber bisher unerforschte Ressource zur Erkennung von Risikofaktoren (opportunistisches Screening). Eine wichtige Diagnose ist die osteoporotische Fraktur und ein niedriger Knochenmineraldichte-Wert (BMD- Wert). Der BMD-Wert ist ein wichtiger Risikofaktor. Er kann jedoch nicht direkt aus den CT-Daten bestimmt werden, sondern erfordert eine zusätzliche Kalibrierung. Diese wird in der Regel mit Hilfe eines Kalibrier-Phantoms durchgeführt. In der klinischen Routine ist ein solches Phantom nicht vorhanden, was die Verwendung vorhandener CT-Datensätze für die BMD-Bestimmung erschwert. Die Substitution des Kalibrier-Phantoms durch eine interne Kalibrierung durch CT-Werte der Luft und anderer interner anatomischer Merkmale wurde vorgeschlagen, aber die Richtigkeit aktueller Lösungen ist limitiert und vorhandene Lösungen müssen speziell auf jeden Scanner und auf Parameter des CT-Protokolls zugeschnitten sein. Ziel dieses Teilvorhabens ist die Optimierung und die auf Künstlicher Intelligenz (KI)-basierte Automatisierung von Scanner- spezifischen Einstellungen für die interne Kalibrierung sowie die Bestimmung der Richtigkeit der resultierenden BMD-Ergebnisse, die anhand von CT-Werten von Luft und inneren Organen, die größtenteils aus Wasser, Fett und Weichgewebe bestehen, ermittelt werden. Parameter, die Muskeldichte, Größe und Infiltration von Fettgewebe beschreiben, werden in die Analyse einbezogen. Des Weiteren werden die Auswirkungen auf die Bewertung des Fraktur-Risikos und mögliche Auswirkungen auf Behandlungsentscheidungen analysiert.

Das Vorhaben ist Teil des Forschungsverbunds "ARTEMIS - Artificial intelligence musculoskeletal disorders study", in dem das enorme Potenzial moderner Verfahren der künstlichen Intelligenz und der Bildverarbeitung für die Modellbildung, Diagnostik und prospektiven Beurteilung u. a. von Osteoporose nutzbar gemacht werden soll. "Deep Learning" - basierte Algorithmen und insbesondere sogenannte faltende neuronale Netzwerke ("convolutional neural networks" CNN) haben bei der Analyse nicht-medizinischer und medizinischer Bilddaten in zahlreichen Aufgabenstellungen deutlich besser abgeschnitten als klassische maschinelle Lernverfahren, u. a. bei der Diagnostik von Knochenbrüchen. Da CNNs automatisch relevante Bildmerkmale extrahieren können, die als starke Indikatoren für künftig auftretende Wirbelbrüche gelten, soll der aktuelle Stand der Technik zur prospektiven Beurteilung des Wirbelfrakturrisikos und insbesondere zur Identifikation von Personen, die ein hohes Wirbelbruchrisiko aufweisen, genutzt werden. Hierzu werden Deep Learning - basierte Verfahren angewendet. Zentrales Ziel des Teilvorhabens ist daher 1) die Anwendung, Entwicklung und Evaluierung aktueller Deep Learning-basierter Algorithmen zur automatischen Extraktion diagnostischer Bildmerkmale, die auf Wirbelfrakturen hinweisen, sowie zur automatischen Klassifikation von osteoporotischen und degenerativen Deformitäten, und 2) die Deep Learning-basierte prospektive Beurteilung des Wirbelfrakturrisikos basierend auf den in (1) entwickelten Prädiktoren. Ein weiterer Aspekt fokussiert auf algorithmische Methoden zur Behandlung des Klassenungleichgewichts, d. h. die Anzahl der Patienten, die ein hohes Risiko für Wirbelbrüche haben, ist deutlich geringer als die Anzahl der Patienten mit geringem Risiko.

Der ARTEMIS-Verbund hat sich zum Ziel gesetzt, das enorme Potenzial der künstlichen Intelligenz zusammen mit fortschrittlichen Bildverarbeitungsmethoden für die Bildgebung und die Modellbildung im Bereich der Erkrankungen des Bewegungsapparates zu nutzen. Die Methoden der künstlichen Intelligenz werden eingesetzt insbesondere bei Osteoporose, aber auch bei degenerativen Erkrankungen der Lendenwirbelsäule und des Hüftgelenks, die mit der Computertomographie (CT) beurteilt werden. In diesem Teilvorhaben sollen folgende fortschrittliche KI-Lernmethoden entwickelt und evaluiert werden: 1) Visualisierungstechniken, die Bereiche der Aufmerksamkeit und der Aktivierung neuronaler Netze hervorheben, um ihre Interpretierbarkeit zu verbessern, 2) robuste KI-Modelle, die aus begrenzten Annotationen lernen können, wobei teilweise Selbstüberwachung in großen Bilddaten-Banken verwendet wird und 3) Reduzierung der Berechnungskosten, um leichtere Modelle zu trainieren, die für hochauflösende 3D-CT-Scans in der klinischen Praxis anwendbar sind.

Der interdisziplinäre Forschungsverbund ARTEMIS hat sich zum Ziel gesetzt, das enorme Potenzial der künstlichen Intelligenz (KI) zusammen mit fortschrittlichen Bildverarbeitungsmethoden für die radiologische Diagnostik und die Modellierung des Erkrankungsrisikos auf dem Gebiet der muskulo-skelettalen Erkrankungen (MSK) auszuschöpfen. Die Bildgebung erfolgt mittels Computertomographie (CT) insbesondere für Osteoporose. Hierbei erfolgt auch eine differenzialdiagnostische Abklärung gegenüber degenerativen Erkrankungen. Konkret sollen mit den KI-Techniken die folgenden spezifischen Ziele im Verbund verfolgt werden: 1. CT-Scans sollen ausgewertet werden, um zu überprüfen, ob der Patient ein hohes Osteoporose-bedingtes 10-Jahres-Frakturrisiko hat (Konzept der opportunistischen Früherkennung). 2. Die diagnostische und differentialdiagnostische Beurteilung von MSK-Erkrankungen soll verbessert werden, indem eine KI-Unterstützungssoftware "i4 ReaderAssistant" für Radiologen und Kliniker erstellt wird. Das Teilvorhaben befasst sich mit KI-Methoden zur Extraktion von Merkmalen für Hüftfrakturen aus sowohl annotierten wie auch unmarkierten medizinischen Daten. Die Bewertung der Hüftfraktur basiert auf einer Vielzahl von Merkmalen, die durch KI-Messungen erlernt werden sollen. Daher ist die KI-basierte Vorhersage dieser Merkmale von wesentlicher Bedeutung, um einen guten und interpretierbaren Hüftfraktur-Score zu erhalten. Moderne "deep learning" Netze sind in hohem Maße auf viele annotierte Daten angewiesen. Durch die Mischung von annotierten und unmarkierten Daten wird das Training auch mit wenigen annotierten Daten möglich. Darüber hinaus sollen durch die Generierung von Vorschlägen Experten in ihrem Arbeitsablauf unterstützen werden. Der "i4-Reader-Assistent" soll auf die Vorhersage von Hüftfrakturmerkmalen am oberen Ende des Oberschenkelknochens (Femur) mit Deep Learning Methoden erweitert werden.