Deep-Learning-gestützte Diagnose für die Knie-MRT: Entwicklung und retrospektive Validierung von MRNet

Die Magnetresonanztomographie (MRT) des Kniegelenks stellt die bevorzugte Methode zur Diagnose von Knieverletzungen dar. Die Interpretation von Knie-MRT-Bildern ist jedoch zeitaufwendig und anfällig für diagnostische Fehler sowie interindividuelle Variabilität. Ein automatisiertes System zur Interpretation von Knie-MRT-Bildern könnte Patienten mit hohem Risiko priorisieren und Kliniker bei der Diagnosestellung unterstützen. Deep-Learning-Verfahren eignen sich besonders gut für die Modellierung der komplexen Zusammenhänge zwischen medizinischen Bildern und deren Interpretation, da sie in der Lage sind, schichtweise Merkmale automatisch zu lernen. In dieser Studie entwickelten wir ein Deep-Learning-Modell zur Erkennung allgemeiner Abnormitäten sowie spezifischer Diagnosen (Vorderer Kreuzbandriss [ACL] und Meniskusriss) an Knie-MRT-Untersuchungen. Anschließend untersuchten wir den Einfluss der Bereitstellung der Vorhersagen des Modells für klinische Experten während der Bildinterpretation.