Kommentar zu „MSK – Algorithmus zur Detektion und Lokalisation von Rippenfrakturen im CT“

Rippenfrakturen sind die häufigsten Verletzungen bei einem stumpfen Thorax-Trauma und mit einer erhöhten Morbidität und Mortalität verknüpft [1]. Zu den schwerwiegenden und behandlungsbedürftigen Komplikationen im Rahmen von Rippenfrakturen gehören der Pneumothorax oder der Hämatothorax. Die wichtigste Modalität, um akute Rippenfrakturen bei Trauma-Patienten zu diagnostizieren ist die Computertomografie (CT).

In ihrer Studie untersuchten Li et al. die Detektion und die anatomische Lokalisation akuter Rippenfrakturen mit Hilfe eines deep learning-Algorithmus (DL). In dieser Studie wurden dafür insgesamt 18172 Datensätze eingeschlossen und in ein Entwicklungs- sowie ein internes und externes Test-Datenset aufgeteilt. Die Ergebnisse des DL-Algorithmus wurden mit denjenigen eines Radiologen mit 10-jähriger Erfahrung verglichen.

Die Auswertung wurde aufgeteilt in Läsions-, Rippen- und Untersuchungsebene. In allen 3 Bereichen schnitt der Radiologe im Vergleich zum DL-Algorithmus schlechter ab. Hervorzuheben sind insgesamt 1968 akute Rippenfrakturen, die der Radiologe nicht erkannt hat versus 346 Fälle, die vom Algorithmus nicht erkannt wurden. Natürlich sollte allgemein der Anspruch an den Radiologen sein, stets alle Pathologien zu erkennen und zu beschreiben. Nicht detektierte Rippenfrakturen haben jedoch nicht automatisch eine negative Konsequenz für den Patienten. So analysierten Cho et al. in ihrer Studie 130 CT-Scans von Patienten mit stumpfem Thorax-Trauma [2]. Bei der solitären Betrachtung der axialen Bilder wurden dabei 58 Frakturen übersehen. Von diesen übersehenen Frakturen wiesen 21 (36,2%) kombinierte Frakturen an denselben Rippen auf und bei 38 (65,5%) dieser übersehenen Frakturen zeigten sich weitere Frakturen an benachbarten Rippen. Li et al. merken in ihrer Studie an, dass akute Rippenfrakturen ein Indikator für ein schweres Trauma sind und Einfluss auf die weitere Behandlung haben [3] [4]. Eine unmittelbare Behandlungsindikation kann durch Komplikationen entstehen, die mit Rippenfrakturen assoziiert sind, wie der Pneumothorax, der Hämatothorax oder Organverletzungen zum Beispiel der Milz [5]. Diese sollten bei der Befundung einer Trauma-CT bei der initialen Sichtung unbedingt beachtet werden. Dendl et al. schlagen hierfür 2 Checklisten für die Befundung von Polytrauma-CTs vor. Auf der ersten Checkliste (Befundung innerhalb einer Minute) erscheint der Pneumothorax, wohingegen die Rippenfrakturen erst in der Folge erwähnt werden (Checkliste 2 innerhalb von 10 Minuten).

Beim Vergleich der Genauigkeit der Lokalisation der Rippenfrakturen schnitt der DL-Algorithmus mit einer Accuracy von 0,997 besser ab als der Radiologe mit einer Accuracy von 0,981. Das bedeutet von insgesamt 13524 Rippenfrakturen 38 versus 247 falsch lokalisierte Befunde. Bemerkenswert ist die angegebene Zeit für die Befundung. Diese wurde für den DL-Algorithmus mit durchschnittlich 2,97 Sekunden und für den Radiologen mit 60,12 Sekunden angegeben. Die benötigte durchschnittliche Zeit von rund einer Minute deckt sich mit der Auswertung der Studie von Ringl et al. (60,7 sec) [6]. In dieser Studie erfolgte die Auswertung anhand herkömmlicher multiplanarer Rekonstruktionen (MPR) und sogenannter „curved planar reformats“ (CPR) auch bekannt als „aufgefaltete Rippen“ bzw. „ribs unfolded“. Neben einer zeitlichen Ersparnis bei der Befundung zeigten die CPRs auch eine höhere Sensitivität und Spezifität bei der Befundung von Rippenfrakturen. Die Unterstützung durch eine automatisierte Auswertung kann dem Radiologen bei der Detektion und anatomischen Lokalisation einen zeitlichen Vorteil verschaffen.

In ihrer Studie verfolgten Li et al. nur den direkten Vergleich des DL-Algorithmus mit dem Radiologen. Interessant wäre sicherlich noch der Vergleich des Abschneidens des Radiologen mit der Unterstützung des Algorithmus. Dieser Aspekt wird von den Autoren auch als Limitation angegeben. Genau dieser Gedanke ist aus meiner Sicht sehr wichtig, um eine Aussage zu treffen inwieweit sich künstliche Intelligenz bzw. software-basierte Auswertung und Radiologe bei der Befundung ergänzen können und nicht kompetitiv gegenübergestellt werden.

Publication History

Article published online:
01 January 2024

• Literatur

• 1 Khan AD, Marlor DR, Billings JD. et al. Utilization of Percentage of Predicted Forced Vital Capacity to Stratify Rib Fracture Patients: An Updated Clinical Practice Guideline. Am Surg 2022; 88: 674-679 DOI: 10.1177/0003134820956276. (PMID: 33316169)
• 2 Cho SH, Sung YM, Kim MS. Missed rib fractures on evaluation of initial chest CT for trauma patients: pattern analysis and diagnostic value of coronal multiplanar reconstruction images with multidetector row CT. Br J Radiol 2012; 85: e845-850 DOI: 10.1259/bjr/28575455. (PMID: 22514102)
• 3 Sirmali M, Türüt H, Topçu S. et al. A comprehensive analysis of traumatic rib fractures: morbidity, mortality and management. Eur J Cardiothorac Surg 2003; 24: 133-138 DOI: 10.1016/s1010-7940(03)00256-2. (PMID: 12853057)
• 4 Ingoe HM, Eardley W, McDaid C. et al. Epidemiology of adult rib fracture and factors associated with surgical fixation: Analysis of a chest wall injury dataset from England and Wales. Injury 2020; 51: 218-223 DOI: 10.1016/j.injury.2019.10.030.
• 5 Dendl LM, Pausch AM, Hoffstetter P. et al. Structured Reporting of Whole-Body Trauma CT Scans Using Checklists: Diagnostic Accuracy of Reporting Radiologists Depending on Their Level of Experience. Rofo 2021; 193: 1451-1460 DOI: 10.1055/a-1541-8265. (PMID: 34348402)
• 6 Ringl H, Lazar M, Töpker M. et al. The ribs unfolded – a CT visualization algorithm for fast detection of rib fractures: effect on sensitivity and specificity in trauma patients. Eur Radiol 2015; 25: 1865-1874 DOI: 10.1007/s00330-015-3598-2. (PMID: 25680714)