Text

Einleitung: Die Riesenzellarteriitis (RZA) erfordert als häufigste systemische Vaskulitis des Erwachsenenalters eine zeitnahe Diagnostik, um irreversible ischämische Komplikationen wie einen Visusverlust zu verhindern. Die Gefäßsonographie der Temporal- und Axillararterien stellt hierbei gemäß der aktuellen europäischen Leitlinien das bildgebende Verfahren der ersten Wahl dar. Allerdings ist die notwendige Expertise zur Identifikation pathognomonischer Gefäßveränderungen oft nur in spezialisierten Zentren und nicht flächendeckend verfügbar. Um diese Versorgungslücke zu schließen, besteht unsere Zielsetzung in der Entwicklung eines auf künstlicher Intelligenz (KI) basierenden Assistenten, der die Durchführung der Gefäßsonographie anleitet, die Klassifikation von Ultraschallbildern unterstützt und so zur raschen Detektion der RZA beiträgt.

Methoden: Basierend auf unseren Vorarbeiten [1] konnte für die KI-Entwicklung zur Verarbeitung von Ultraschallbildern in einem Eingabeformat von 224 × 224 Pixeln auf die ressourceneffiziente ResNet-18-Architektur zurückgegriffen werden. Der Trainings- und Test-Datensatz umfasste insgesamt 3.800 B-Bild-Ultraschallaufnahmen von 244 Patienten (180 RZA-Patienten, 64 gesunde Kontrollpersonen). Beinhaltet waren Aufnahmen der Arteria temporalis communis, deren Äste R. frontalis und R. parietalis, sowie der Arteria axillaris. Die Performance verschiedener KI-Modellprototypen wurde mittels AUROC, F1-Score, Sensitivität und Spezifität analysiert. Zusätzlich nutzten wir die Monte-Carlo-Batch-Normalization, um die Konfidenz des Modells für jede einzelne Bildklassifikationsentscheidung zu quantifizieren.

Ergebnisse: Das „Artery-Fusion-Model“, für dessen Training [2] zuvor Bilder aller Arteriensegmente einbezogen wurden, und welches zusätzlich zum Bildinput eine Information über das darin dargestellte Arteriensegment erhielt, übertraf unsere sonstigen KI-Modellprototypen hinsichtlich der Klassifikationsleistung. Es erzielte für die Klassifikation von Ultraschallbildern der Axillararterien bzw. Temporalarterien AUROC-Werte von 0,94 bzw. 0,87, eine Spezifität von 89,1% bzw. 80,1%, und eine Sensitivität von 82,7% bzw. 78,2%. Das bislang einzige in diesem Anwendungsgebiet publizierte KI-Modell von Roncato et al. [3] fordert vom Untersucher die herausforderndere Bereitstellung von Farbdoppler-Aufnahmen, ist beschränkt auf die Klassifikation von Ultraschallaufnahmen der Temporalarterien und erzielte hier einen AUROC-Wert von 0,835.

Schlussfolgerung: Unser entwickeltes Artery Fusion Model stellt das weltweit führende KI-Modell in der korrekten Erkennung RZA-typischer Gefäßveränderungen in Ultraschallbildern dar und übertrifft bisherige Ansätze, die den Untersuchern größere Vorkenntnis abverlangen. Übergeordnet besitzt die klinische Implementation einer solchen KI-Assistenz enormes Potenzial in der Verbesserung der flächendeckenden Versorgungsqualität, Beschleunigung der RZA-Diagnosestellung und damit Reduktion gravierender ischämischer Krankheitskomplikationen.

Offenlegungserklärung: Die Autoren geben keine Interessenskonflikte an.

Tabelle 1 [Tab. 1]

References

[1] Bauer CJ, Chrysidis S, Dejaco C, Koster MJ, Kohler MJ, Monti S, Schmidt WA, Mukhtyar CB, Karakostas P, Milchert M, Ponte C, Duftner C, de Miguel E, Hocevar A, Iagnocco A, Terslev L, Døhn UM, Nielsen BD, Juche A, Seitz L, Keller KK, Karalilova R, Daikeler T, Mackie SL, Torralba K, van der Geest KSM, Boumans D, Bosch P, Tomelleri A, Aschwanden M, Kermani TA, Diamantopoulos A, Fredberg U, Inanc N, Petzinna SM, Albarqouni S, Behning C, Schäfer VS. Exploring the limit of image resolution for human expert classification of vascular ultrasound images in giant cell arteritis and healthy subjects: the GCA-US-AI project. Ann Rheum Dis. 2025 Sep;84(9):1528-1537. DOI: 10.1016/j.ard.2025.05.010
[2] Schaab S, Bauer CJ, Schäfer V, Albarqouni S. Artery-Fusion Deep Learning for Enhanced Ultrasound Diagnosis of Giant Cell Arteritis. In: International Conference on Medical Imaging and Computer-Aided Diagnosis. 2024. p. 396-406.
[3] Roncato C, Perez L, Brochet-Guégan A, Allix-Béguec C, Raimbeau A, Gautier G, Agard C, Ploton G, Moisselin S, Lorcerie F, Denis G, Gombert B, Gervais E, Espitia O. Colour Doppler ultrasound of temporal arteries for the diagnosis of giant cell arteritis: a multicentre deep learning study. Clin Exp Rheumatol. 2020 Mar-Apr;38 Suppl 124(2):120-125.