Ultraschallbasierte künstliche Intelligenz zur Klassifizierung des Karpaltunnelsyndroms

Das Karpaltunnelsyndrom (CTS) ist eine der häufigsten peripheren Neuropathien und betrifft etwa 4 % der Allgemeinbevölkerung. Typischerweise wird es in drei Grade eingeteilt: leicht, mittelschwer und schwer. Eine genaue Einstufung des Karpaltunnelsyndroms (CTS) ist für die Bestimmung geeigneter Behandlungsoptionen von entscheidender Bedeutung und spielt daher eine entscheidende Rolle bei der Optimierung der Patientenergebnisse. Elektrophysiologische Tests (EST) sind ein Schlüsselparameter für die Einstufung des Karpaltunnelsyndroms (CTS). Allerdings wird es durch mehrere Faktoren eingeschränkt, darunter seine invasive Natur, die schlechte Reproduzierbarkeit und die verringerte Empfindlichkeit für die Erkennung von Krankheiten im Frühstadium. In jüngster Zeit hat Ultraschall bei Klinikern eine breite Akzeptanz für die Beurteilung und Einstufung von CTS erlangt. Dennoch stoßen Radiologen bei diesem Prozess aufgrund der unterschiedlichen Bildqualität, der unterschiedlichen Erfahrungen und der inhärenten Subjektivität häufig auf Herausforderungen.

Um diese Probleme anzugehen, stellt künstliche Intelligenz eine vielversprechende Lösung dar. Daher zielt diese Studie darauf ab, ein Deep-Learning-Modell zur Einstufung von CTS zu entwickeln, indem multimodale Bildgebungsfunktionen genutzt werden, darunter B-Mode-Ultraschall, hervorragende mikrovaskuläre Bildgebung (SMI) und Elastographie. Darüber hinaus beabsichtigen die Forscher, die Wirksamkeit des Modells zu validieren, indem sie es mit Bildern aus verschiedenen klinischen Zentren testen und so seine Generalisierbarkeit in verschiedenen klinischen Umgebungen sicherstellen.