96. Jahresversammlung der Deutschen Gesellschaft für Hals-Nasen-Ohren-Heilkunde, Kopf- und Hals-Chirurgie

Dr. med.

Vorsitz

Prof. Dr.

NUR Wissenschaftliches Programm / ONLY Scientific Programme

Voraussetzungen von AI unterstützten Projekten in der Sonographie 

Vortrag auf Einladung

Tomographischer 3D-Ultraschall und KI-gestützte Analyse bei Schilddrüsenknoten

Prof. Dr. med.

Pitfalls und Hürden der KI in US-Bildgebung 

PD. Dr. med. Dr. med. univ.

Untersuchung des Potenzials von Künstlicher Intelligenz zur Unterstützung medizinischen Personals bei der Beurteilung von Schilddrüsenultraschallbefunden

Hals

BV-HALS

Einleitung: Die Beurteilung von Schilddrüsenknoten (SDK) im Ultraschall (US) kann anhand der ACR-TIRADS (Thyroid Imaging Reporting & Data System) Kriterien von 2017 erfolgen. Durch die Bewertung von Zusammensetzung, Form, Echogenität, Begrenzung und echogenen Foci ergibt sich der ACR-Score, der das Malignitätsrisiko (thyroid risk score, TRS) abschätzt und die Notwendigkeit einer Feinnadelpunktion (FNP) und eines Follow-Ups (FU) ermittelt. Diese Studie untersucht, ob Künstliche Intelligenz (KI) -Tools wie ChatGPT 4.0 medizinisches Personal bei der SDK-Beurteilung unterstützen können.Material und Methoden: 100 fiktive US-Berichte von SDK wurden sowohl von einem ärztlichen Team als auch von ChatGPT 4.0 bewertet. ChatGPT 4.0 analysierte die Berichte zweimal, und die Ergebnisse wurden durch Intrarater-Reabilität verglichen. Die Ergebnisse von ChatGPT 4.0 und dem medizinischen Personal wurden mittels Interrater-Reabilität und Cohens Kappa bewertet.Ergebnisse: Die Intrarater-Reabilität der KI zeigte variable Konsistenz in der Bewertung der SDK-Kriterien. ChatGPT 4.0 konnte die Form der SDK nicht beurteilen. Im Vergleich zum ärztlichen Personal erzielte es moderate Interrater-Reabilität für ACR-Score, TRS, FNP und FU-Empfehlungen, zeigte jedoch nahezu perfekte Übereinstimmung bei Echogenität, Begrenzung und echogenen Foci.Diskussion: Die Studie betont die Herausforderungen bei der Integration von KI-Tools in die Diagnostik. ChatGPT 4.0 zeigte Potenzial, aber auch Inkonsistenzen bei der Einhaltung der ACR-TIRADS-Kriterien. Verbesserungen sind nötig, um KI für die Optimierung diagnostischer Abläufe und des Patient*innenmanagements bei SDK-US-Befunden verlässlich nutzen zu können.nein

Bildgebende Verfahren

Freier Vortrag

KI-basierte Innovationen zur Volumetrie der Schilddrüse und Klassifikation von Schilddrüsenknoten mittels tomografischer 3D-Sonographie

EinleitungDie Schilddrüsensonografie erfolgt häufig und Schilddrüsenknoten (SDK) stellen dabei oft einen Zufallsbefund dar. Standardmäßig erfolgt die Risikoeinschätzung durch sonographische Klassifikationssysteme (TIRADS). Zunehmend wird untersucht, wie dieser zeitaufwendige Prozess durch Künstliche Intelligenz (KI) unterstützt werden kannMaterial und MethodenBei 17 Patienten mit 40 SDK erfolgte neben dem konventionellen Ultraschall (US) noch die Untersuchung mittels "Thyroid Diagnostics" der Firma piur Imaging (Wien, Österreich), einem System zur tomografischen Sonographie und KI-unterstützten SDK Beurteilung. Der reguläre US wurde in der klinischen Routine befundet, die Befundung der tomografischen Bilder sowie deren Vergleich zum konventionellen US erfolgte retrospektiv, unabhängig durch 2 verblindete Bewerter. Berechnet wurden Korrelationskoeffizient nach Pearson (r) bzw. Fleiss Kappa (k).ErgebnisseFür die Volumetrie der Schilddrüse ergab sich eine sehr hohe Interraterreliabilität (IRR) (r=0,98) sowie eine hohe Korrelation zum regulären US (r= 0,82 bzw. 0,88).Auch die Volumetrie der SDK erbrachte eine sehr hohe IRR (r=0,99) und hohe Korrelationen zum konventionellen US (r= 0,83 bzw. 0,85).In Hinblick auf die Einstufung der SDK nach ACR-TIRADS durch die KI zeigte sich nach manueller Nachbearbeitung des tomografischen Ultraschalldatensatzes durch die Befunder eine substanzielle IRR (k=0,67). Die Übereinstimmung zum konventionellen US war im mittleren Bereich (k=0,24 bzw. 0,22).DiskussionDie Implementierung KI-basierter Systeme in der Schilddrüsensonografie bietet vielversprechende Ansätze und zeigt sehr gute Ergebnisse für die Volumetrie. Die Unterstützung durch automatisierte Knotenbewertungen muss aktuell noch durch erfahrene Beurteiler kritisch geprüft werden"nein"

PD Dr.

Prof. Dr.-Ing.

PD Dr. med.

Praktische Evaluation einer KI gestützten Ultraschallnavigation für Freihandbiopsien kleiner Raumforderungen im Kopf-Hals-Bereich

Einleitung: Der Ultraschall ist ein unverzichtbares Bildgebungsverfahren im Kopf-Hals-Bereich, da es leicht verfügbar, strahlenbelastungsfrei und geeignet ist, Nadelpunktionen zu steuern.Material und Methoden: Im Praxistest wurde ein zuvor entwickeltes Ultraschallnavigationssystem, das durch Künstliche Intelligenz (KI) unterstützt wird, Freihandbiopsien kleiner Raumforderungen ermöglicht, auf Blickwechsel zwischen Patient und Ultraschallmonitor verzichtet und die Biopsien beidhändig durchgeführt werden können, evaluiert. Die Testungen erfolgten an Polyvinylalkohol-Weichgewebs-Halsphantomen mit 8–10 mm großen punktierbaren röntgendichten Raumforderungen (RFs). Die Präzision der Biopsien wurde anschließend mithilfe von CTs überprüft.Ergebnisse: Im Phantomtest führten 32 Probanden insgesamt 128 Punktionen an 25 Raumforderungen in fünf identischen Phantomen durch. Dabei wurden die RFs im Mittel zu 81,3 % erfolgreich getroffen. Die mittlere Abweichung betrug 4,5 ± 1,4 mm. Mit zunehmender Erfahrung der Probanden verringerte sich die Punktionszeit signifikant: OberärztInnen 43,4 ± 18,8 s, AssistenzärztInnen 43,7 ± 10,0 s und Studierende 59,9 ± 29,4 s (p = 0,005).Diskussion und Schlussfolgerung: Das KI unterstützte Navigationssystem für Freihandnadelbiopsien weist nur minimale Gewebeabweichungen im praktischen Phantomtest auf und ermöglicht eine einfache und schnelle Handhabung.Nein

Session 22
Ultraschallbildgebung – Artificial Intelligence und Machine Learning

Termin

Vorsitz

Thema

Programm

Session 22Ultraschallbildgebung – Artificial Intelligence und Machine Learning

Termin

Vorsitz

Thema

Programm

Session 22
Ultraschallbildgebung – Artificial Intelligence und Machine Learning