Deep Learning für quantitative MRT-Analyse von Nervenschädigungen: Reproduzierbarkeit statt Subjektivität
Von KI ausgewählt und zusammengefasst
Worum es geht
Ein trainiertes Deep-Learning-Modell (nnU-Net) segmentiert Nervenschäden in MR-Neurographie automatisch und liefert reproduzierbare, quantitative Maße statt observer-abhängiger Messungen.
Ergebnis
Automatische Nervensegmentierung: Dice-Koeffizient 0,97. Läsionsegmentierung: Surface-Dice 0,64–0,77. Automatisch gemessene Läsionslast korrelierte signifikant mit elektrophysiologischen Parametern (Tibialis-Nervenleitgeschwindigkeit r = −0,62, p < 0,001). Modell-zu-Rater-Übereinstimmung (F1: 0,681–0,736) erreichte oder übertraf menschliche Übereinstimmung.
Übertragbarkeit auf Deutschland
Deutsche Uniklinik; deutschsprachige Standards; direkt transferierbar.
Originalstudie in PubMedIm Hub ansehenNeue Studien per E-Mail
Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.