KI-gestützte Erkennung von Endometriose in der MRT
RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren · 01.04.2026 · 198 (S 01 S 01) · S77
DOI: 10.1055/s-0046-1817646 ↗Kurz gefasst
Fachartikel in der Zeitschrift RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren, erschienen am 01.04.2026. Verfasst von P Michaelides und 4 weiteren Autor:innen.
Abstract (Originalsprache)
Zielsetzung Die MRT ist das zentrale Verfahren zur nicht-invasiven Diagnostik der Endometriose, doch die variablen Signal- und Morphologiemuster erschweren die Beurteilung, insbesondere bei geringer Befundungserfahrung. Ziel dieser Studie ist die Entwicklung eines Deep-Learning-Modells, das bei der Erkennung von Endometriose in Becken-MRT-Aufnahmen unterstützt. Material und Methoden Es wurden retrospektiv MRT-Datensätze von 497 Patientinnen analysiert (261 mit, 236 ohne Endometriose). Die Ground Truth wurde anhand des Befundes erfahrener Radiologen festgelegt. Es wurden T2-gewichtete sagittale und axiale Sequenzen sowie T1-gewichtete axiale Aufnahmen mit Fettsättigung verwendet. Das auf DenseNet-121 basierende Modell wurde mit dem MONAI-Framework trainiert und im Verhältnis 70:15:15 in Trainings-, Validierungs- und Testgruppen unterteilt. Die Performance wurde anhand von Loss, AUC, Accuracy, Precision, Recall und F1-Score bewertet.
Ergebnisse
Das Modell erreichte im Testdatensatz eine AUC von 0,78. Endometriose kann bei einer Recall (Sensitivität) von 0,96 zuverlässig detektiert werden, die eingeschränkte Precision (Genauigkeit) von 0,59 und Spezifität von 0,28 deuten jedoch auf eine hohe falsch-positiven-Rate hin.
Schlussfolgerungen
Diese Studie zeigt, dass die KI-gestützte Klassifikation tief infiltrierender Endometriose (TIE) im MRT möglich ist und eine hohe Sensitivität liefert. Die derzeit noch geringe Spezifität könnte mit Optimierungsschritten, wie Erweiterung des Datensatzes und gezielter Vorverarbeitungsschritten verbessert werden. Eine automatisierte Endometriose-Bewertung könnte die Befundung standardisieren, als Second-Reader-System dienen und insbesondere in Zentren ohne subspezialisierte Radiologinnen und Radiologen hilfreich sein. Publication History Article published online: 22 April 2026 © 2026. Thieme. All rights reserved. Georg Thieme Verlag KG Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany
Zitieren
APA
Michaelides, P., Moser, A., Vu, V. D., Krombach, G., & Harth, S. (2026). KI-gestützte Erkennung von Endometriose in der MRT. RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren, 198(S 01 S 01), S77. https://doi.org/10.1055/s-0046-1817646
Vancouver
Michaelides P, Moser A, Vu VD, Krombach G, Harth S. KI-gestützte Erkennung von Endometriose in der MRT. RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren. 2026;198(S 01 S 01):S77. doi:10.1055/s-0046-1817646
BibTeX
@article{Michaelides2026,
author = {Michaelides, P and Moser, A and Vu, V D and Krombach, G and Harth, S},
title = {KI-gestützte Erkennung von Endometriose in der MRT},
journal = {RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren},
year = {2026},
volume = {198},
number = {S 01 S 01},
pages = {S77},
doi = {10.1055/s-0046-1817646}
}
EUVIMED