Künstliche Intelligenz erkennt Arthritisarten

Die Forscher gingen in einem interdisziplinären Forschungsprojekt der Friedrich-Alexander-Universität Erlangen-Nürnberg und des Universitätsklinikums Erlangen den Fragen nach: Kann künstliche Intelligenz (KI) anhand von Gelenkformen verschiedene Arten von Arthritis erkennen? Ist es so auch möglich, bei Fällen von undifferenzierter Arthritis eine genauere Diagnose zu stellen? Gibt es außerdem bestimmte Bereiche in Gelenken, auf die man sich bei einer Diagnose konzentrieren kann?

Um seine Antworten zu finden, legte das Forschungsteam den Fokus seiner Untersuchungen auf die Fingergrundgelenke – Regionen im Körper, die im Rahmen von Autoimmunerkrankungen wie rheumatoider Arthritis oder Psoriasisarthritis sehr häufig und früh betroffen sind. Ein Netz aus künstlichen Neuronen wurde dann mit Finger-Scans aus der hochauflösenden peripheren quantitativen Computertomographie (HR-pQCT) trainiert mit dem Ziel, „gesunde“ Gelenke von Rheumatoider Arthritis oder Psoriasisarthritis zu unterscheiden.

Dabei wurde die HR-pQCT gewählt, weil es aktuell die qualitativ hochwertigste Methode ist, um den menschlichen Knochen in der höchsten Auflösung dreidimensional darzustellen. Im Fall einer Arthritis lassen sich so Veränderungen in der Knochenstruktur sehr gut erkennen, was eine zuverlässige Klassifizierung möglich macht.

Anschließend wurde anhand von 932 neuen HR-pQCT-Scans von 611 Patienten geprüft, ob das künstliche Netzwerk das Erlernte denn auch umsetzen kann: Beurteilt es die vorher bereits klassifizierten Fingergelenke richtig?

Die Ergebnisse: Die KI erkannte gesunde Fingergelenke zu 82 Prozent, rheumatoide Arthritis zu 75 Prozent und Psoriasisarthritis in 68 Prozent der Fälle – eine sehr hohe Trefferwahrscheinlichkeit bereits ohne weitere Informationen. Kombiniert mit der Expertise eines Rheumatologen könnte dies zu viel eindeutigeren Diagnosen führen. Außerdem war das Netzwerk in der Lage, vorgelegte Fälle von undifferenzierter Arthritis zu klassifizieren.