Skip to main content
SpringerLink
Log in

Künstliche Intelligenz in der orthopädisch-unfallchirurgischen Radiologie

Artificial intelligence in orthopaedic and trauma surgery imaging

  • Leitthema
  • Published:
Die Orthopädie Aims and scope Submit manuscript

Zusammenfassung

Künstliche Intelligenz (KI) spielt eine zunehmende Rolle für die radiologische Bildgebung in der Orthopädie und Unfallchirurgie. Die bislang verfügbaren Algorithmen finden überwiegend in der Detektion von (okkulten) Frakturen und in der Längen- und Winkelbestimmung bei konventionellen Röntgenaufnahmen Anwendung. Aktuelle KI-Lösungen ermöglichen aber auch die Analyse und Mustererkennung von CT-Datensätzen, zum Beispiel bei der Detektion von Rippen- oder Wirbelkörperfrakturen. Eine besondere Anwendung ist das EOS™ (ATEC Spine Group, Paris, Frankreich), dass auf der Basis einer digitalen 2‑D-Röntgenaufnahme eine 3‑D-Simulation des Achsenskeletts und semiautomatische Längen- und Winkelberechnungen ermöglicht. In der vorliegenden Arbeit wird das derzeitige Spektrum der KI-Anwendungen für die Orthopädie und Unfallchirurgie vorgestellt und diskutiert.

Abstract

Artificial intelligence (AI) is playing an increasing role in radiological imaging in orthopaedics and trauma surgery. The algorithms available to date are predominantly used in the detection of (occult) fractures and in length and angle measurements in conventional X‑ray images. However, current AI solutions also enable the analysis and pattern recognition of CT datasets, e.g. in the detection of rib or vertebral body fractures. A special application is EOS™ (ATEC Spine Group, Paris, France), which enables a 3‑D simulation of the axial skeleton and semi-automatic length and angle calculations based on a digital 2‑D X‑ray image. In this paper, the current spectrum of AI applications for orthopaedics and trauma surgery is presented and discussed.

This is a preview of subscription content, log in via an institution to check access.

Access this article

Log in via an institution

Price excludes VAT (USA)
Tax calculation will be finalised during checkout.

Instant access to the full article PDF.

Institutional subscriptions

Abb. 1
Abb. 2
Abb. 3
Abb. 4

Abbreviations

KI:

Künstliche Intelligenz

PACS:

„Picture archiving and communication system“

Literatur

  1. McCulloch WS, Pitts W (1943) A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics 5:115–133

    Article  Google Scholar 

  2. Tjardes T, Heller RA, Pförringer D, Lohmann R, Back DA (2020) Künstliche Intelligenz in der Orthopädie und Unfallchirurgie. Chirurg 91:201–205

    Article  CAS  Google Scholar 

  3. Haubold J (2020) Künstliche Intelligenz in der Radiologie. Radiologe 60:64–69

    Article  Google Scholar 

  4. Menze BH, Jakab A, Bauer S, Kalpathy-Cramer J, Farahani K, Kirby J et al (2015) The multimodal brain tumor image segmentation benchmark (BRATS). IEEE Trans Med Imaging 34:1993–2024

    Article  Google Scholar 

  5. Sheth SA, Giancardo L, Colasurdo M, Srinivasan VM, Niktabe A, Kan P (2020) Machine learning and acute stroke imaging. J Neurointerv Surg. https://doi.org/10.1136/neurintsurg-2021-018142

    Article  PubMed  PubMed Central  Google Scholar 

  6. Kuan K, Ravaut M, Manek G et al (2017) Deep learning for lung cancer detection: tackling the Kaggle data science bowl 2017 challenge. ArXiv170509435 Cs

    Google Scholar 

  7. Jacobs C, van Rikxoort EM, Murphy K et al (2016) Computer-aided detection of pulmonary nodules: a comparative study using the public LIDC/IDRI database. Eur Radiol 26:2139–2147

    Article  Google Scholar 

  8. Pehrson LM, Nielsen MB, Ammitzbøl Lauridsen C (2019) Automatic pulmonary nodule detection applying deep learning or machine learning algorithms to the LIDC-IDRI database: a systematic review. Diagnostics 9:29. https://doi.org/10.3390/diagnostics9010029

    Article  PubMed Central  Google Scholar 

  9. Rutman AM, Kuo MD (2009) Radiogenomics: creating a link between molecular diagnostics and diagnostic imaging. Eur J Radiol 70:232–241

    Article  Google Scholar 

  10. Lambin P, Rios-Velazquez E, Leijenaar R et al (2012) Radiomics: extracting more information from medical images using advanced feature analysis. Eur J Cancer 48:441–446

    Article  Google Scholar 

  11. Schwier M, van Griethuysen J, Vangel MG et al (2019) Repeatability of multiparametric prostate MRI radiomicsfeatures. Sci Rep 9:9441

    Article  Google Scholar 

  12. Lao J, Chen Y, Li ZC, Li Q, Zhang J, Liu J, Zhai G (2017) A deep learning-based radiomics model for prediction of survival in glioblastoma multiforme. Sci Rep 7(1):10353

    Article  Google Scholar 

  13. Murray NM, Unberath M, Hager GD, Hui FK (2020) Artificial intelligence to diagnose ischemic stroke and identify large vessel occlusions: a systematic review. J Neurointerv Surg 12(2):156–164

    Article  Google Scholar 

  14. Brugnara G, Neuberger U, Mahmutoglu MA, Foltyn M, Herweh C, Nagel S, Schönenberger S, Heiland S, Ulfert C, Ringleb PA, Bendszus M, Möhlenbruch MA, Pfaff JAR, Vollmuth P (2020) Multimodal predictive modeling of endovascular treatment outcome for acute ischemic stroke using machine-learning. Stroke 51(12):3541–3551

    Article  CAS  Google Scholar 

  15. Mantilla D, Ferreira-Prada CA, Galvis M, Vargas O, Valenzuela-Santos C, Canci P, Ochoa M, Nicoud F, Costalat V (2021) Clinical impact of Sim & Size® simulation software in the treatment of patients with cerebral aneurysms with flow-diverter Pipeline stents. Interv Neuroradiol. https://doi.org/10.1177/15910199211068668

    Article  PubMed  Google Scholar 

  16. Kuo RYL, Harrison C, Curran TA, Jones B, Freethy A, Cussons D, Stewart M, Collins GS, Furniss D (2022) Artificial intelligence in fracture detection: a systematic review and meta-analysis. Radiology. https://doi.org/10.1148/radiol.211785

    Article  PubMed  Google Scholar 

  17. Hallas P, Ellingsen T (2006) Errors in fracture diagnoses in the emergency department—characteristics of patients and diurnal variation. BMC Emerg Med 6:4

    Article  Google Scholar 

  18. Duron L, Ducarouge A, Gillibert A, Lainé J, Allouche C, Cherel N, Zhang Z, Nitche N, Lacave E, Pourchot A, Felter A, Lassalle L, Regnard NE, Feydy A (2021) Assessment of an AI aid in detection of adult Appendicular skeletal fractures by emergency physicians and radiologists: a multicenter cross-sectional diagnostic study. Radiology 300(1):120–129. https://doi.org/10.1148/radiol.2021203886

    Article  PubMed  Google Scholar 

  19. Guermazi A, Tannoury C, Kompel AJ, Murakami AM, Ducarouge A, Gillibert A, Li X, Tournier A, Lahoud Y, Jarraya M, Lacave E, Rahimi H, Pourchot A, Parisien RL, Merritt AC, Comeau D, Regnard NE, Hayashi D (2021) Improving radiographic fracture recognition performance and efficiency using artificial intelligence. Radiology. https://doi.org/10.1148/radiol.210937

    Article  PubMed  Google Scholar 

  20. Langerhuizen DWG, Janssen SJ, Mallee WH, van den Bekerom MPJ, Ring D, Kerkhoffs GMMJ, Jaarsma RL, Doornberg JN (2019) What are the applications and limitations of artificial intelligence for fracture detection and classification in orthopaedic trauma imaging? A systematic review. Clin Orthop Relat Res 477(11):2482–2491

    Article  Google Scholar 

  21. Zhou QQ, Wang J, Tang W, Hu ZC, Xia ZY, Li XS, Zhang R, Yin X, Zhang B, Zhang H (2020) Automatic detection and classification of rib fractures on thoracic CT using convolutional neural network: accuracy and feasibility. Korean J Radiol 21(7):869–879

    Article  Google Scholar 

  22. Rao B, Zohrabian V, Cedeno P, Saha A, Pahade J, Davis MA (2021) Utility of artificial intelligence tool as a prospective radiology peer reviewer—detection of unreported Intracranial hemorrhage. Acad Radiol 28(1):85–93

    Article  Google Scholar 

  23. Ginat DT (2019) Analysis of head CT scans flagged by deep learning software for acute intracranial haemorrhage. Neuroradiology 62(3):335

    Article  Google Scholar 

  24. Winkel DJ, Heye T, Weikert T, Boll DT, Stieltjes B (2019) Evaluation of an AI-based detection software for acute findings in abdominal computed tomography scans. Invest Radiol 54(1):55–59

    Article  Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Klinik für Radiologie und Neuroradiologie, Klinikum Dortmund gGmbH, Beurhausstr. 40, 44137, Dortmund, Deutschland

    Stefan Rohde & Nico Münnich

  2. Fakultät für Gesundheit, Universität Witten-Herdecke, Witten, Deutschland

    Stefan Rohde

Authors
  1. Stefan Rohde
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Nico Münnich
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Stefan Rohde.

Ethics declarations

Interessenkonflikt

S. Rohde und N. Münnich geben an, dass kein Interessenkonflikt besteht.

Für diesen Beitrag wurden von den Autoren keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.

Additional information

figure qr

QR-Code scannen & Beitrag online lesen

Rights and permissions

Reprints and permissions

About this article

Check for updates. Verify currency and authenticity via CrossMark

Cite this article

Rohde, S., Münnich, N. Künstliche Intelligenz in der orthopädisch-unfallchirurgischen Radiologie. Orthopädie 51, 748–756 (2022). https://doi.org/10.1007/s00132-022-04293-y

Download citation

  • Accepted:

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1007/s00132-022-04293-y

Schlüsselwörter

Keywords

Search

Navigation