KI und die schwierigen Probleme der Welt · Medizin & Wirkstoffforschung · Nature (computational biology) · 2026-10-23
Ein Deep-Learning-Framework zur automatisierten Beschriftung der Halswirbel des Rückenmarks und zur morphometrischen Extraktion aus Gehirn-MRT mit groß angelegter multizentrischer Validierung
Originaltitel: A deep learning framework for automated cervical spinal cord vertebral labeling and morphometric extraction from brain MRI with large-scale multicenter validation
Ziel der Studie war es, eine vollautomatische Pipeline zu entwickeln und zu validieren, die die Wirbelkörperebenen C1–C3 des oberen Halsrückenmarks in T1-gewichteten Hirn-MRT-Aufnahmen identifiziert und eine Qualitätskontrolle umfasst. Deep-Learning-Modelle wurden mit Daten von 998 Kontrollpersonen und 879 Patienten mit hereditären Ataxien an 32 Standorten trainiert, wobei nnU-Net am besten abschnitt (Dice-Wert von 0,85 für C1 und 0,89 für C2 und C3). Die externe Validierung an 2.737 MRT-Aufnahmen zeigte in vier von fünf Datensätzen eine Labeling-Genauigkeit von über 92 %, und die Methode erkannte zudem eine longitudinale Rückenmarksatrophie bei Patienten mit multipler Sklerose.