Talent Award zur Medtec Live with T4M

Mobile C-Bogen-Systeme sind die Standard-Bildgebungsgeräte im Bereich der Wirbelsäulenchirurgie und ermöglichen auch 3D-Scans. Damit der Chirurg die Bilder betrachten kann, müssen die aufgenommenen Volumina so eingestellt sein, dass ihre anatomischen Standardebenen mit den Achsen der Betrachtungsmodalität übereinstimmen. Bis jetzt macht der Arzt das manuell – was pro anatomischer Struktur, die betrachtet werden soll, bis zu dreieinhalb Minuten in Anspruch nehmen kann. Wie lange es im Einzelfall dauert, hängt stark von den Fähigkeiten des Chirurgen ab.Schneller sollte das gehen, wenn eine zuverlässige Methode zur Verfügung stünde, die eine automatische Regression von Standardebenen ermöglicht.

Einen solchen präzisen sowie schnellen Algorithmus zu entwickeln, war das Ziel der Masterarbeit, die Sebastian Dörrich an der Friedrich-Alexander-Universität Erlangen-Nürnberg erstellt hat. Der Algorithmus soll die automatische Standardebenenregression von Wirbelkörpern innerhalb intraoperativer CBCT-Volumina ermöglichen.

Dafür wurden zwei Ansätze verfolgt. Der erste basiert auf einer Yolov3-Architektur. Der Algorithmus zur Objekterkennung ist an 3D-Eingaben angepasst. Der zweite Ansatz ist 3D-U-Net-basiert.

Beide Algorithmen wurden anhand eines Datensatzes von 440 Daten trainiert und auf 218 Volumina getestet. Dabei zeigte sich, dass der Objekterkennungsalgorithmus besonders schnell ist: Er brauchte nur 28 s, um zu Resultaten zu kommen.

Der U-Net-basierte Algorithmus benötigte 37 bis 63 s – er war aber besser bei der Erkennungsgenauigkeit, der Lokalisierungsgenauigkeit und der Ausrichtungsgenauigkeit.

Alles in allem erzielen beide Ansätze adäquate Ergebnisse – und sie sind schneller als die Mediziner bei der Standardebenextraktion. Somit könnten sie den 3D-Bewertungsworkflow in orthopädischen Operationen an der Wirbelsäule vereinfachen.

Wie lässt sich nachweisen, dass ein System mit Künstlicher Intelligenz (KI) genau das tut, was für die Medizin erforderlich ist? Mit dieser Frage hat sich Florian Neumeier in seiner Masterarbeit an der M3i Industrie-in-Klinik-Plattform in München befasst.

Dabei ging es um eine KI-basierte Innovation aus der Medizintechnik, die beim präzisen Entfernen von Hauttumoren unterstützen soll. Bevor solche Systeme am Markt zugelassen und in der Praxis eingesetzt werden können, müssen sie eine klinische Validierungsstudie durchlaufen.

Um zu sehen, wie sich so eine Studie konzeptionieren und durchführen lässt, wurden im Rahmen der Arbeit der klinische Workflow und die Integration der KI-Innovation evaluiert und ein geeigneter Studienaufbau erstellt.

Einerseits ging es um die menschliche Einschätzung: Ausgangspunkt waren 39 klinische konfokalmikroskopisch aufgenommene Bilddatensätze. Darin galt es, 117 diagnostisch relevante Bereiche zu beurteilen. Drei klinische Experten des Klinikums der Universität München und der Stanford University stellten jeweils eine Diagnose und entschieden, ob dort ein Tumor zu sehen war oder gesundes Gewebe.

Im Anschluss war ein KI-Algorithmus am Zug. Dieser wurde im Rahmen der Forschungsprojekte Skin-ID und Konfident entwickelte und stellte ebenfalls seine Diagnosen.

Wie gut die Experten untereinander und mit dem Ergebnis der KI-Diagonse übereinstimmten, ließ sich mittels statistischer Messwerte beurteilen. Eingesetzt wurden das Overall Percentage Agreement und Cohen’s Kappa. Dabei kam die KI im Vergleich mit den Experten zu überzeugenden Ergebnissen.

Für eine Zulassung und Markteinführung der Innovation ist jedoch eine Entwicklung und Validierung mit einer größeren Menge an klinischen Daten erforderlich. Dem Aufbau des entwickelten Experiments kann aber grundsätzlich gefolgt werden.

Veronika Spieker: Mit Mustererkennung die Prothese besser im Griff

Handprothesen können Menschen, die Gliedmaßen verloren haben, dabei helfen, im täglichen Leben selbstständiger zu sein. Moderne Prothesen ermöglichen verschiedene Greifbewegungen, die intuitiv mittels Muskelkontraktionen am Armstumpf gesteuert werden. Algorithmen zur Mustererkennung (pattern recognition) sind besonders vielversprechend, wenn es darum geht, die gewünschte Handbewegung zu erkennen.

Während so eine Prothesensteuerung im klinischen Umfeld bereits robust agiert, stößt sie im Alltag noch an Grenzen. Schon eine andere Armposition kann die myoelektrischen Signalmuster beeinflussen und die Zuordnung eines Muster erschweren. Das macht aber die Steuerung weniger zuverlässig, was Nutzer frustrieren kann – sogar soweit, dass sie die neuartige Technologie gar nicht mehr nutzen möchten.

In ihrer Masterarbeit an der TU München hat Veronika Spieker einen adaptiven multimodalen Algorithmus eingesetzt, der Auswirkungen von Störfaktoren begegnet. Der Algorithmus setzt nicht allein auf Muskelsignale, sondern nutzt zusätzliche kinematische Informationen. Um das Kalibrieren zu beschleunigen, werden entsprechende Daten während der alltäglichen Nutzung aufgezeichnet und verarbeitet. Sie fließen in die Kalibrierung der Prothesensteuerung ein.

Eine experimentelle Studie mittels virtuellen TAC-Tests und der Vergleich mit einer existierenden Klassifizierungsstrategie zeigte, dass die entwickelte Methode zu gesteigerten Erfolgsraten (bis zu 13 %) führt. Das spricht für eine unüberwachte Datenanpassung und künftige Entwicklung adaptiver Algorithmen, um die Translation der Prothesensteuerung mittels Mustererkennung aus dem Labor in den Alltag zu ermöglichen.

Weitere Informationen zu dieser Arbeit: https://doi.org/10.3390/s21217404