Text

Zielsetzung und Fragestellung: Die präoperative Identifikation implantierter Knieendoprothesen ist essenziell für eine erfolgreiche Revisionsendoprothetik. Fehlende Implantatpässe oder OP-Berichte stellen im klinischen Alltag ein häufiges Problem dar. Während Convolutional Neural Networks (CNNs) eine sehr hohe Genauigkeit in der radiologischen Implantaterkennung erreichen, ist der potenzielle klinische Nutzen generativer KI-Modelle wie ChatGPT bislang kaum untersucht. Ziel dieser Arbeit war es, den klinischen Nutzen generativer Künstlicher Intelligenz (KI) am Beispiel von ChatGPT mit etablierten Convolutional Neural Networks (CNNs) zur radiologischen Implantatidentifikation zu vergleichen.

Material und Methoden: Es handelt sich um eine retrospektive klinische Untersuchung. Klassische Identifikationsstrategien (Implantatpass, OP-Bericht, Röntgenanalyse) wurden mit KI-basierten Verfahren verglichen. CNNs und ChatGPT wurden anhand der Kriterien Genauigkeit, Flexibilität, Kontextintegration und Messbarkeit bewertet. Zusätzlich wurden 80 konsekutive Patientenfälle mit bikondylären Knieendoprothesen analysiert (je 20 Implantate: BalanSys-Knee, Persona^®, Innex™, Natural-Knee^® II). Die Implantaterkennung erfolgte getrennt für a.-p. und laterale Röntgenaufnahmen. Erkennungsraten und Konfidenzniveaus wurden erfasst. Zur Bewertung der Reproduzierbarkeit wurde eine simulierte Inter-Rater-Reliabilitätsanalyse durchgeführt (Fleiss’ Kappa).

Ergebnisse: CNN-basierte Verfahren erreichten eine Erkennungsgenauigkeit von über 99% und bestätigten damit ihre Rolle als Goldstandard. In der klinischen Fallserie waren a.-p. Aufnahmen über alle Implantatsysteme hinweg signifikant überlegen gegenüber lateralen Projektionen. Die Konfidenz der generativen KI lag im moderaten Bereich (Median 0,55–0,72), wobei häufig beide Projektionen zur Identifikation erforderlich waren.ChatGPT zeigte Vorteile in der kontextuellen Interpretation, lieferte jedoch keine quantifizierbaren Genauigkeitsmetriken. Die Inter-Rater-Analyse ergab eine moderate bis substanzielle Übereinstimmung (Fleiss’ κ = 0,52–0,74).

Diskussion und Schlussfolgerung: CNNs stellen weiterhin den Goldstandard der automatisierten Implantatidentifikation dar. Generative KI kann diese Verfahren sinnvoll ergänzen, indem sie kontextuelle Entscheidungsunterstützung bietet. Ein hybrider Ansatz könnte die präoperative Planung in der Revisionsendoprothetik verbessern.