AutoSAFE: KI-geleitetes Assistenzsystem zur Diagnose kindlicher Unterarmfrakturen (BMBF)

AutoSAFE ist ein Projekt zur Verbesserung der Diagnostik von kindlichen Unterarmfrakturen mit Hilfe von intelligenter KI-gestützter Bilderfassung und Analyse der Fraktursonographie.

Handgelenksnahe Unterarmfrakturen bzw. Unterarmprellungen sind häufige Ursachen einer ärztlichen Vorstellung im Kindes- und Jugendalter. Im Rahmen der Standarddiagnostik wird in solchen Fällen eine zweifache Röntgenuntersuchung durchgeführt, die mit einer Exposition von ionisierender Strahlung einhergeht. In Hinblick auf die erhöhte Strahlensensibilität  kindlichen Gewebes ist eine Reduktion der Röntgendiagnostik unter Beibehaltung diagnostischer Qualität erstrebenswert. 

Mittels Knochensonographie (Knochenultraschall) kann eine Beurteilung der Fraktur vorgenommen und auf diese Weise bis zu 80% der Röntgenaufnahmen vermieden werden. Zudem bietet die Sonographie eine schnelle, sichere, nebenwirkungsfreie “Point-of-Care-Diagnostik”, die häufig auch in Praxen niedergelassener ÄrztInnen zur Verfügung steht. Eine standardisierte Vorgehensweise zur Diagnose ist der Wrist-SAFE (Sonographic Algorithm for Fracture Evaluation) Algorithmus (Ackermann et al. 2019), der auf der strukturierten Aufnahme und Analyse von 6 Standardebenen von Radius und Ulna basiert.

 

Das Projekt AutoSAFE zielt auf eine Teil-Automatisierung des Wrist-SAFE Algorithmus um die Diagnose von handgelenksnahen Unterarmfrakturen. 

Zur Unterstützung medizinischen Fachpersonals wird ein Assistenzsystem entwickelt, welches auf Basis von KI (künstlicher Intelligenz) die Diagnose erleichtert.

  1. Auf der Grundlage von temporalen Ultraschallaufnahmen wird ein Navigationsalgorithmus entwickelt, der untersuchende ÄrztInnen in Echtzeit anleitet und Empfehlungen zur optimalen Aufnahme der Standardebenen anbietet.
  2. Die Aufnahme der Standardebenen werden automatisch mit Segmentierungen relevanter Strukturen sowie der möglichen Fraktur ergänzt und auf diese Weise eine fundierte Diagnose ermöglicht.

Neben der Universität zu Lübeck sind das UKSH Lübeck  und das Sonographie-StartUp ThinkSono an dem Projekt beteiligt.

BMBF Projekt Förderung (2021-2024) 790.567€ (UzL 222.000€)

Ausgewählte Publikationen:

1.Kainz, B., Heinrich, M.P., Makropoulos, A. et al.: Non-invasive diagnosis of deep vein thrombosis from ultrasound imaging with machine learning. npj Digit. Med. 4, 137 (2021). https://doi.org/10.1038/s41746-021-00503-7

2. Tanno R., Makropoulos A., Arslan S., Oktay O., Mischkewitz S., Al-Noor F., ... & Heinrich M.P.: AutoDVT: Joint real-time classification for vein compressibility analysis in deep vein thrombosis ultrasound diagnostics.In: International Conference on Medical Image Computing and Computer-Assisted Intervention 2018 (pp. 905-912). Springer, Cham.

3. Kahl, F., Tüshaus, L, Kaiser, M.-M., Wessel, L.: Nachweis kindlicher distaler Unterarmfrakturen mittels Knochensonographie - ein strahlenarmes Diagnostikkonzept. 100. Jahrestagung der Deutschen Gesellschaft für Kinderheilkunde und Jugendmedizin, Berlin, 09.09. – 12.09.2004. Vortrag als Abstract publiziert in: Monatsschrift Kinderheilkunde 2004, 152, Suppl. 1, 263.