Klassifizierung von Schulter-Röntgenbildern mit Deep-Learning-Ensemble-Modellen

Brüche treten im Schulterbereich auf, der eine größere Bewegungsfreiheit aufweist als andere Gelenke im Körper, aus verschiedenen Gründen. Zur Diagnose dieser Brüche werden Daten aus Röntgenaufnahmen (Röntgen), Magnetresonanztomographie (MRT) oder Computertomographie (CT) herangezogen. Ziel dieser Studie ist es, Ärzten bei der Klassifizierung von Schulterbildern, die mit Röntgengeräten aufgenommen wurden, als Bruch / kein Bruch mithilfe künstlicher Intelligenz zu unterstützen. Dazu wurden die Leistungen von 26 tiefen Lernmodellen, die vorab mit Daten trainiert wurden, hinsichtlich der Erkennung von Schulterbrüchen anhand des muskuloskelettalen Röntgenbild-Datensatzes (MURA) evaluiert, und zwei Ensemblesysteme (EL1 und EL2) wurden entwickelt. Als vorab trainierte Modelle wurden ResNet, ResNeXt, DenseNet, VGG, Inception und MobileNet sowie deren spinal fully connected (Spinal FC)-Varianten eingesetzt. Bei den in EL1 und EL2 verwendeten vorab trainierten Modellen mit bester Leistung erreichte die Testgenauigkeit 0,8455 bzw. 0,8472, der Cohen’s Kappa betrug 0,6907 bzw. 0,6942, und die Fläche unter der ROC-Kurve (AUC), die der Bruchklasse zugeordnet ist, betrug 0,8862 bzw. 0,8695. Insgesamt wurden 28 verschiedene Klassifizierungen durchgeführt; dabei erzielte das EL2-Modell die höchste Testgenauigkeit und die höchsten Cohen’s Kappa-Werte, während das EL1-Modell die höchste AUC-Wert erzielte.