Text

Einleitung: Die Ultraschalluntersuchung der Gelenke ist heutzutage ein unverzichtbarer Bestandteil der Diagnostik und Therapie rheumatischer Erkrankungen. Aufgrund des günstigen Preis-Leistungs-Verhältnisses stehen moderne Ultraschallgeräte sowohl in Kliniken als auch in vielen Praxen zur Verfügung. Sowohl bei älteren als auch bei modernen Sonographiegeräten fehlt bislang eine Funktion für automatisierte Erkennung der jeweils zu untersuchenden anatomischen Region. Eine solche Funktion könnte eine automatische Einstellung gerätesspezifischer Presets ermöglichen und damit die Arbeit am Ultraschallgerät vereinfachen sowie teilweise automatisieren. In der vorliegenden Studie haben wir das Potenzial von Deep-Learning-Verfahren zur automatischen Erkennung von Gelenken untersucht und verschiedene Modelle hinsichtlich ihrer Leistungsfähigkeit verglichen. Darüber hinaus wurde die Frage adressiert, ob Modelle, die auf einem bestimmten Gerät trainiert wurden, auf ein anderes Gerät übertragbar sind, insbesondere aufgrund der unterschiedlichen Software und Schallköpfe – ein Ansatz, der als Transfer-Learning ohne Fine-tuning bezeichnet wird [1].

Methoden: Bei der vorliegenden Arbeit handelt es sich um eine monozentrische Studie mit retrospektiver Analyse von Sonographiebildern. Gelenkultraschall wurde mit den Sonographiegeräten GE LOGIQ E9 und GE LOGIQ E10 durchgeführt, und die Bilder wurden im DICOM-Format gespeichert. Die Aufnahmen wurden in fünf Kategorien unterteilt: Hand-/Fingergelenke, Ellenbogengelenke, Schultergelenke, Kniegelenke und Fuß-/Sprunggelenke. Dabei wurden sowohl die Bilder im B-Modus als auch die Bilder mit Doppler-Aktivität berücksichtigt. Anschließend wurden verschiedene Deep-Learning-Modelle eingesetzt, darunter Transfer-Learning-Ansätze, wobei die Bilder mit Doppler-Aktivität vom Gerät E9 für das Training verwendet wurden. Die Bilder ohne Doppler-Aktivität vom Gerät E9 sowie die Bilder vom Gerät E10 dienten als Testdatensatz. Darüber hinaus wurde die Fähigkeit der trainierten Modelle untersucht, Sonographiebilder des jeweils anderen Geräts ohne zusätzliches Fine-Tuning korrekt zu klassifizieren. Die Leistungsfähigkeit der Modelle wurde mittels F1-Score und Fläche unter der Kurve (AUC) eingeschätzt.

Ergebnisse: Im Rahmen der Studie wurden insgesamt 10 Modelle anhand von 29.098 Bildern mit Power-Doppler-Aktivität trainiert. Die Bilddaten setzten sich wie folgt zusammen: 624 Bilder von Ellenbogengelenken, 2.438 Bilder von Fuß- und Sprunggelenken, 22.628 Bilder von Hand- und Fingergelenken, 2.075 Bilder von Kniegelenken sowie 1.328 Bilder von Schultergelenken. Aus den trainierten Modellen wurden vier leistungsstarke Transfer-Learning-Modelle ausgewählt: DenseNet201, Inception, EfficientNetV2L und VGG19. Ergänzend wurde ein von Grund auf neu trainiertes Modell (Training from scratch) in die Auswertung einbezogen. Die besten Ergebnisse erzielte das Modell VGG19, das auf dem geräteeigenen Testdatensatz die höchste Klassifikationsgenauigkeit aufwies. Die Fähigkeit der Modelle, Bilder eines anderen Geräts ohne vorheriges Fine-Tuning zu klassifizieren, war hingegen eingeschränkt (Tabellen 1 [Tab. 1] und 2 [Tab. 2]).

Schlussfolgerung: Die vorliegenden Ergebnisse zeigen, dass eine automatische Erkennung der Untersuchungsregion durch Deep-Learning-Verfahren grundsätzlich realisierbar ist. Eine solche Funktion könnte künftig dazu genutzt werden, gerätespezifische Untersuchungseinstellungen automatisch auszuwählen – ein Aspekt, der insbesondere angesichts der dynamischen Natur der sonographischen Untersuchungstechnik von praktischer Bedeutung ist. Um die Klassifikationsgenauigkeit weiter zu steigern, sollten zukünftige Modelle mit einer substanziell größeren Anzahl an Trainingsbildern entwickelt werden, da die Datenmenge einen wesentlichen Einflussfaktor auf die Modellleistung darstellt. Schließlich hat die Studie gezeigt, dass die direkte Übertragung eines trainierten Modells auf ein anderes Ultraschallgerät ohne vorheriges Fine-Tuning nur eingeschränkt möglich ist. Für einen geräteübergreifenden Einsatz sind daher zusätzliche Anpassungsschritte erforderlich, die in zukünftigen Arbeiten weiter untersucht werden sollten.

Offenlegungserklärung: Keine in Bezug auf die Studie.

References

[1] Ayana G, et al. Multistage transfer learning for medical images. Artificial Intelligence Review. 2024;57:232. DOI: 10.1007/s10462-024-10855-7