Machbarkeitsanalyse eines automatisierten KI-basierten Klassifikationssystems zur Erkennung von Kieferhöhlenbefunden

Einleitung Studien zeigen eine erhöhte Inzidenz von Verschattungen der Nasennebenhöhlen im cMRT ohne entsprechende Symptomatik. Dabei ist es von Interesse, ob abklärungsbedürftigte Befunde vorliegen. Der Einsatz von KI-basierten Methoden kann die Erkennung von Verschattungen automatisieren und dadurch die Arbeitsbelastung von ärzten reduzieren. In dieser Arbeit wurde eine Methode zur KI-basierten Klassifikation von Kieferhöhlenverschattungen entwickelt.

Methoden Im Rahmen der Hamburg City Health Study (HCHS) wurden cMRTs von Teilnehmern (45–74 Jahre) zur neuroradiologischen Beurteilung erfasst. Folgende Fragestellungen wurde bearbeitet: 1. Liegt eine Verschattung der Kieferhöhlen vor: ja/nein? 2.Differenzierung der Verschattung: Schleimhautschwellung, Polyp/en oder Zyste/n. Alle MRTs wurden von Spezialisten annotiert und die Ergebnisse der KI mit diesem „Goldstandard“ verglichen. Dabei wurden 199 MRTs befundet. 106 Teilnehmer zeigten unauffällige und 93 Teilnehmer verschattete Kieferhöhlen. Die KI-basierte Klassifikation erfolgte durch ein neuronales Netz (3D ResNet18), die Datenanalyse mittels 5-facher Kreuzvalidierungsstrategie.

Ergebnisse In der Gruppe „verschattet“ zeigte unser AI-Klassifikationssystem eine hohe Klassifikationsgenauigkeit (F1-Score von 0,70±0,06 und eine Area under Receiver Operating Characteristic (AuROC)von 0,85±0,03). Bei der weiteren Klassifizierung der Verschattung erzielte unsere KI-basierte Methode bei Polypen eine Genauigkeit von 100%, bei Zysten von 60% und bei Schleimhautschwellungen von 45%.

Zusammenfassung Unsere Machbarkeitsanalyse zeigt einen sinnvollen Einsatz der KI-basierten Klassifikation von Kieferhöhlenbefunden und kann die radiologische Nasennebenhöhlenbefundung zielführend unterstützen.

Publication History

Article published online:
12 May 2023