Open Access

Philipp Kahr

• Every fifth human suffers from musculoskeletal disorders. Diagnosis, treatment and aftercare of those conditions provide a severe problem for the healthcare system around the world. Radiology units are highly occupied with patient demands and in consequence, radiologists are especially prone to suffer from fatigue. Overall 11% to 27% fractures are misdiagnosed. This is especially harmful during childhood since inappropriate treatments are futile for further bone development. Certain care in this perspective is epiphyseal fractures, which are directly linked to bone growth.In recent years more and more computational driven diagnosis methods find their way into clinical diagnosis due to hardware and software advancements. Particularly the evolvement of machine learning algorithms for image analysis in any kind of application is intriguing for clinical usage to support radiologists. Here, we compare state-of-art imaging analysis machine learning modells for their applicability to predict epiphyseal fractures. Using 21557 X-ray images, split into training and validation datasets, from the Radiology Department of the Medical University of Graz were used to train seven different commonly used models. We found that A custom ensemble model of ShapeMask and SpineNet yielded the most accurate prediction with 80,7%. Most tested models, including SpineNet, ResNet, MobileNetV2, a custom convolutional neural network, faster R-CNN, and Azure Custom AI provided an accuracy of 70% to 80%. Only MobileNetV2 turned out to be inapplicable for this use case, resulting in a meagre 40% accuracy. None of the tested models was able to outperform the accuracy of radiologists. All in all, we provide a comprehensive overview of the possible utilization of currently available imaging analysis machine learning models and their possible use for epiphyseal fracture diagnosis.
• Jeder fünfte Mensch leidet an muskoskeletalen Erkrankungen. Gesundsheitssysteme auf der ganzen welt sind durch die Diagnostik, akute Behandlung und Nachbehandlung unter extremen Druck. Radiologieabteilungen sind durch die immense Anzahl an Patienten überlastet und sind von Leistungsinduzierten Erschöpfungen geprägt. Zwischen 11% und 27% aller Knochenbrüche werden fehldiagnostiziert. Dies ist besonders schädlich wenn es um eine falsche Entscheidung in der Pediatrie geht, da das Knochenwachstum beeinträchtigt wird. Dementsprechend sind besonders gefährdet Wachstumsfügenbrüche da die direkt das Knochenwachstum beeinflussen. In den letzten Jahren haben sich immer mehr digitale Lösungen in Krankenanstalten etabliert. Machine learning und neurale Netzwerke sind zwei spannende Themen die mehr und mehr Aufmerksamkeit auch in klinischen Applikationen finden. In dieser Arbeit vergleichen wir derzeitige state-of-the-art machine learning Modelle für die Anwendbarkeit mit Wachstumsfügenbrüche. Unser Datensatz erstreckt sich über 21557 Röntgenbilder, welche in ein Training und Validierung Datensatz. Insgesamt sieben verschiedene Modelle wurde überprüft und getestet. Ein misch Ansatz aus ShapeMask und SpineNet erbrachte die beste Leistung mit einer korrekten Vorhersage von 80,7%. Alle Modelle, inklusive SpineNet, ResNet, ein eigens erstelltes convolutional neural network, faster R-CNN und Azure Custom Vision AI, konnten im 70% bis 80% Rahmen die Vorhersagen korrekt treffen. Nur MobileNetV2 zeichnete sich als nicht anwendbar für diesen Anwendungsfall ab, da es lächerliche 40% erreichte. Keines der angewendeten Modelle konnte akkurater als ein Radiologe sein. Allem in allem, haben wir eine gute Übersicht über die möglichen Anwendungen von aktuellen Modellen in der Bilderkennung für Wachstumsfügenbrüche, erstellt.