KI erkennt Hüftfehl­stellungen

AI

Eine Hüftfehlstellung bei Neugeborenen kann viele Operationen nötig machen. SCS hat eine KI entwickelt, welche solche Fehlstellungen erkennt.

  • Problemstellung

    Eine Hüftfehlstellung bei Neugeborenen kann im Laufe des Lebens verschiedene Operationen nötig machen. Um das zu verhindern, genügt es, anhand einer Ultraschallaufnahme der Hüfte die Alpha- und Beta-Winkel nach Graf zu bestimmen und bei Bedarf zur Behandlung einige Monate ein Korsett anzulegen. Die aktuellen Diagnosen der Ärzte sind subjektiv und fehleranfällig.

  • Lösung

    Anhand von Trainingsdaten bestehend aus Ultraschallbildern konnte SCS verschiedene Algorithmen trainieren, die eine objektive Bestimmung der Winkel erlauben. So kann der Arzt unterstützt werden.

  • Mehrwert

    Ärzte werden frühzeitig auf einen Fehler bei der Bildaufnahme hingewiesen und können sich auf eine objektive und genaue Winkelbestimmung verlassen. Viele Hüftoperationen in der späteren Zukunft können so verhindert werden.

Projekteinblicke

Etwa 3 Prozent aller Neugeborenen kommen mit einer Hüftfehlstellung auf die Welt. Wenn diese Fehlstellung durch Ultraschalluntersuchungen erkannt wird, kann sie leicht behandelt werden, indem dem Baby über mehrere Wochen ein Korsett angelegt wird (Bild 1).  Unentdeckt führt diese sogenannte Hüftdysplasie bei 30% der Betroffenen zu einer Hüftoperation vor dem sechzigsten Lebensjahr.

Das Kriterium, ob sich eine Fehlstellung entwickelt, ist der Alpha-Winkel entsprechend der Methode von Graf. Eine Auswertung der von Ärzten bestimmten Winkel zeigt eine starke Tendenz zu „Grenzfällen“ bei 60Grad, die keine Behandlung erfordern.

Bild links: Kleinkind mit Flexionsorthese. Bild rechts: Skelettmodell mit eingezeichneter Bildebene der Ultraschallbilder
Bild links: Kleinkind mit Flexionsorthese. Bild rechts: Skelettmodell mit eingezeichneter Bildebene der Ultraschallbilder

Als Alternative dazu bietet Machine Learning und Data Analytics – insbesondere dank der Entwicklungen in der Bildverarbeitung mit Hilfe von Deep Learning – einen Weg zur objektiven und reproduzierbaren Ermittlung des Winkels. Um diese Erwartung zu bestätigen, hat SCS zusammen mit verschiedenen Experten und Kinderärzten [1] eine Studie durchgeführt, die diese These bestätigen kann [2].

Bild links: Verteilung der von Ärzten bestimmten Winkeln im Dataset der Studie. Bild rechts: Ultraschallbild mit eingezeichneten Linien zur Winkelbestimmung (gelb: Arzt, rot: Algorithmus)
Bild links: Verteilung der von Ärzten bestimmten Winkeln im Dataset der Studie. Bild rechts: Ultraschallbild mit eingezeichneten Linien zur Winkelbestimmung (gelb: Arzt, rot: Algorithmus)

Dafür wurde zunächst die Datengrundlage gesäubert, indem der Überhang an Grenzfällen entfernt wurde. Anschliessend wurde ein tiefes neuronales Netz trainiert, dass analog zum ärztlichen Vorgehen die Linien auf Ultraschallbildern, die den Hüftwinkel bestimmen, vorhersagt. Ein Vergleich mit Daten von Kinderärzten, die nicht zum Trainieren verwendet wurden, zeigt, dass unser Algorithmus den Winkel zuverlässig bestimmen kann.

[1] Partner: Dr. med. Stefan Essig, Dr. med Thomas Baumann

[2] Referenz: Oelen D, Kaiser P, Baumann T, et al. Accuracy of Trained Physicians is Inferior to Deep Learning-Based Algorithm for Determining Angles in Ultrasound of the Newborn Hip Ultraschall Med. 2020;10.1055/a-1177-0480. doi:10.1055/a-1177-0480

Verwandte Projekte

Cloud-Plattform für medizinische Messdaten

Die Spirometrie-Geräte der ndd Medizintechnik AG tragen wesentlich zur Früherkennung von Lungenkrankheiten bei. Deren Messdaten werden immer ... mehr erfahren

Predictive Alarm Detection

SBB ZKE misst auf der freien Strecke die Lager- und Radtemperaturen der vorbeifahrenden Züge. SCS hat ein KI Modell trainiert, welches angezogene ... mehr erfahren

Blockchain und Trusted Execution schaffen Vertrauen

SCS kombinierte die Blockchain Technologie mit Trusted Execution Environments. Das führt zu Vertraulichkeit, Auditierbarkeit und Transparenz beim ... mehr erfahren

Erkennung Radfehler mit smarter Algorithmik

Radfehler führen zu hoher Beanspruchung der Bahn-Infrastruktur und erzeugen Lärm. SCS hat Algorithmen zum Erkennen von Radfehlern entwickelt. Somit ... mehr erfahren

AI at the edge – Zellen zählen

SCS entwickelte einen Deep Learning Algorithmus, welcher im Mikroskopiesystem die Anzahl der Zellen auf einem Bild bestimmt. Die AI wurde dabei für ... mehr erfahren
Alle Projekte anzeigen
Dr. Christof Bühler Life Science & Physics Wie kann ich Ihnen weiterhelfen?