Ansätze für die automatisierte Planung lumbaler Pedikelschrauben in Navigation und Robotik – Vergleich eines kommerziellen Atlas-basierten mit einem selbstentwickelten Deep Learning-basierten Verfahrens

Abstract-Text deutsch

Einleitung: Fortschritte bei navigierten oder robotischen Verfahren in der Wirbelsäulenchirurgie erfordern eine dezidierte Schraubenplanung vor Implantation. Wir haben kürzlich einen auf Deep Learning (DL) basierenden Ansatz zur automatisierten Planung von Pedikelschrauben beschrieben, der die Genauigkeit der manuellen Schraubenplanung durch Experten in einem Bruchteil des Zeitaufwands erreichte.  Ziel dieser Studie war es, die Genauigkeit des eigenentwickelten DL-Ansatzes mit einem kommerziellen Atlas-basierten (AB) System zu vergleichen.

Methoden: Aus einem institutionellen Register wurden 50 CT-navigierte Instrumentationen mit 266 Schrauben (L1-L5) randomisiert ausgewählt. Mithilfe der Brainlab® iPlan Spine App wurden Referenzschrauben (Ground Truth, GT) manuell von zwei unabhängigen Experten geplant. Zusätzlich wurden Schrauben mittels DL und dem  Atlas-basierten automatischen Planungstool Brainlab® iPlan Spine geplant. Mit Python wurden beide automatischen Planungsergebnisse anhand der folgenden Metriken mit der GT im 3D-Raum verglichen: minimale absolute Abstände (MAD) von Kopf- und Spitzenpunkten (in mm) und Winkelabweichung (in Grad) (Abbildung 1). Die Ergebnisse wurden mit der Interrater-Variabilität der manuellen Schraubenplanung und den qualitativen Bewertung durch die Gertzbein-Robbins (GR)-Klassifikation verglichen.

Ergebnisse: Die automatische Planung war bei allen 266 Schrauben des DL-Ansatzes und bei 214/266 (81%) des AB-Ansatzes erfolgreich. Im Vergleich zur GT betrugen die MADs der DL-Planung für Winkelabweichung, Kopf- und Spitzenpunkte 5,1±2,9°, 4,5±2,9mm bzw. 3,6±2,5mm. Für die AB-Planung betrugen die MADs 7,2±5,9°, 8,9±4,7mm bzw. 9,8±9,9mm. Die Interrater-Varianz für die manuelle Schraubenplanung betrug 5,2±3,2°, 4,4±1,6 mm bzw. 3,7±1,7 mm. Unterschiede zwischen GT und DL-Planung waren statistisch vergleichbar mit der Interrater-Varianz der manuellen Schraubenplanung (p=0,62). Die AB-Planung zeigte signifikant größere Unterschiede zur GT (p<0,001) bzw. Interrater-Variabilität (p<0,001). Qualitativ waren alle DL-Schrauben klinisch akzeptabel (GR-Grad A 255, 96%; B 11,4%), während AB-Ergebnisse heterogen waren (GR-Grad A 159, 60%; B 24, 9%; C 10, 4% D 16, 6% E 5, 2%, kein Ergebnis 52, 19%). DL produzierte signifikant mehr klinisch akzeptable Schrauben im Vergleich zu AB (p<0,0001 vs. Nicht-GR-Grad A+B-Schrauben).

Diskussion: Die DL-basierte Schraubenplanung zeigte im Vergleich zur GT eine überzeugende Genauigkeit in der quantitativen und qualitativen Bewertung. Die DL-Ergebnisse waren statistisch in-different zur Interrater-Varianz der manuellen Schraubenplanung. Im Gegensatz war die AB-Planung in den meisten Fällen durchführbar, würde aber eine Nachbearbeitung vor der Schraubenimplantation erfordern. DL-basierte Anwendungen scheinen angesichts der häufigen anatomischen Variationen der Wirbelsäule, gegenüber AB-Systemen ein vielversprechender Ansatz für die automatisierte Schraubenplanung zu sein.

Abstract-Text englisch

Introduction: Advancements of navigated or robotic procedures in spinal surgery require dedicated screw planning prior to implantation. We recently described a deep learning-based (DL) approach to automated planning of pedicle screws, which matched accuracy of manual screw planning by expert spine surgeons in a fraction of time expense. The aim of this study was to compare accuracy of a self-derived DL approach to a commercially available atlas-based (AB) system for pedicle screw planning.

Methods. From a consecutive registry of CT-navigated instrumentations, 50 cases covering 266 screws placed in L1-L5 were randomly selected. Using the Brainlab® iPlan Spine App, reference screws were manually planned by two independent raters defining the ground truth (GT) for screw positions and dimensions. Additionally, screws were planned using a self-derived DL approach and the atlas-based Brainlab® iPlan Spine automatic planning tool. Using Python, both automatic planning results were compared to the GT in 3D space by the following metrics: minimal absolute distances (MAD) of respective head and tip points (in mm) and angular deviation (in degree) (Figure 1). Results were evaluated in comparison to interrater variability of manual screw planning and qualitative evaluation by the Gertzbein-Robbins (GR) Classification

Results: Automatic planning was successful in all 266 screws with the DL approach and in 210/266 (79%) with the AB approach. Compared to the GT, MADs in DL planning for angular deviation, head and tip points were 5.1±2.9°, 4.5±2.9mm and 3.6±2.5mm, respectively. For AB planning, corresponding MADs were 7.2±5.9°, 8.9±4.7mm and 9.8±9.9mm, respectively. Interrater variance for manual screw planning was 5.2±3.2°, 4.4±1.6mm and 3.7±1.7mm, respectively. Differences to GT for DL planning were statistically comparable to interrater variance of manual screw planning (p=0.62). AB planning exhibited significantly greater differences to either DL (p<0.001) and interrater variability (p<0.001), respectively. Qualitatively, all DL screws were clinically acceptable (GR-grade A 255, 96%; B 11, 4%) while AB results were heterogenous (GR-grade A 159, 60%; B 24, 9%; C 10, 4% D 16, 6% E 5, 2%; no result 52, 19%). DL produced significantly more clinically acceptable screws compared to AB (p

Conclusion: DL based screw planning exhibited convincing accuracy compared to the GT in quantitative and qualitative evaluation in all targeted screws. DL results were statistically in-different to the observed interrater variance of manual screw planning. In contrast, AB screw planning was feasible in a majority of targeted cases but showed inferior results requiring further post-processing prior to screw implantation. DL based applications appear as a promising approach to automated screw planning given the frequent anatomic variations of the spine severely limiting the accuracy of AB systems.