Kids Bone Checker: Deep Learning für präzise pädiatrische Frakturdiagnose und Therapieempfehlung

Kindliche Knochenbrüche sind mit ca. 800.000 Fällen pro Jahr in Deutschland sehr häufig. Da sich Frakturen im Kinder- und Jugendalter jedoch maßgeblich von Frakturen erwachsener Patient*innen unterscheiden, bedarf es speziellen Fachwissens und Erfahrung, um langfristige Schäden und Beeinträchtigungen aufgrund von nicht exakten Diagnosen oder Therapien zu vermeiden. Dies gilt insbesondere für die Frage, ob das zu erwartende Korrekturpotential des

wachsenden Skeletts für eine optimale Heilung ausreichend oder eine operative Maßnahme notwendig ist. Diese kinderradiologische Expertise fehlt jedoch besonders außerhalb von deutschen Großstädten, was in 10-20 % der Fälle zu einem nicht exakten Befund und einer falschen Therapieentscheidung führt.

Das Kids Bone Checker Projekt hat das Ziel, bei Frakturen von Kindern und Jugendlichen das benötigte Expertenwissen mittels eines KI-gestützten Assistenzsystems dezentral zur Verfügung zu stellen, um so den Best-Practice Standard flächendeckend zu etablieren. Dies verringert die psychoemotionalen Belastung des Kindes und seiner Familie durch eine unverzügliche Diagnose und individuelle Therapieempfehlung bei der ersten Untersuchung.

Die dabei verfolgte Theranostik setzt sich aus der Diagnose, die mittels Bildverarbeitung unter Verwendung von tiefen künstlichen neuronalen Netzen aus den Röntgenbildern gewonnen wird und der personalisierte, prädiktive, präzise und verständliche Therapieempfehlung zusammen. Letztere wird durch das zusätzliche Heranziehen von klinischen Daten, sowie die Einordnung des aktuellen Falles in retrospektiven Daten realisiert.

 

Das Projekt umfasst dabei mehrere wissenschaftliche Themengebiete der medizinischen Bild- und Datenverarbeitung.

Für die exakte Diagnose auf Basis des Röntgenbildes muss eine Detektion sowie Lokalisation der Fraktur erfolgen, zudem ist eine Regression der Frakturdislokalisation und des Knochenalters vonnöten. Zusätzlich dient eine semantische Segmentierung der verschiedenen Knochen als weiteren Zwischenschritt zur endgültigen Diagnose mittels Klassifikation der Fraktur.

Für die abschließende Therapieempfehlung müssen weitere multimodale Daten wie nicht standardisierte radiologische Freitext-Befunde der retrospektiven Daten aufbereitet, verarbeitet und zusammengeführt werden.

Jeder Teilabschnitt des Diagnose- und Therapieempfehlungsprozess soll dabei eine hohe Nachvollziehbarkeit sowie Erklärbarkeit für den behandelnden Mediziner aufweisen, um so die Akzeptanz und das Vertrauen in das Assistenzsystem zu schaffen und zu steigern.

Projekt Förderung 737.000€ durch das Land Schleswig-Holstein.

 

Ausgewählte Publikationen:

Schlemper J, Oktay O, Schaap M, Heinrich M, Kainz B, Glocker B, Rueckert D. Attention gated networks: Learning to leverage salient regions in medical images. Med Image Anal. 2019 Apr;53:197-207. doi: 10.1016/j.media.2019.01.012. Epub 2019 Feb 5. PMID: 30802813; PMCID: PMC7610718.

Heinrich MP, Oktay O, Bouteldja N. OBELISK-Net: Fewer layers to solve 3D multi-organ segmentation with sparse deformable convolutions. Med Image Anal. 2019;54:1-9. doi:10.1016/j.media.2019.02.006

Lucas C, Kemmling A, Bouteldja N, Aulmann LF, Madany Mamlouk A, Heinrich MP. Learning to Predict Ischemic Stroke Growth on Acute CT Perfusion Data by Interpolating Low-Dimensional Shape Representations. Front Neurol. 2018;9:989. Published 2018 Nov 26. doi:10.3389/fneur.2018.00989

Hansen L, Heinrich MP. GraphRegNet: Deep Graph Regularisation Networks on Sparse Keypoints for Dense Registration of 3D Lung CTs. IEEE Trans Med Imaging. 2021;40(9):2246-2257. doi:10.1109/TMI.2021.3073986