Automatisierte Diagnose der zervikalen Spondylose in multimodalen medizinischen Bildern mit einem Multi‑Task‑Deep‑Learning‑Modell

Ein verborgenes Halsproblem mit großer Alltagswirkung

Zervikale Spondylose – alters‑ oder lebensstilbedingter Verschleiß im Bereich des Halses – ist weit verbreitet, aber früh oft schwer zu erkennen. Sie kann anhaltende Nackenschmerzen, Kopfschmerzen, Taubheitsgefühle und sogar Gehprobleme verursachen; die feinen Veränderungen in medizinischen Bildern lassen sich jedoch nur mit jahrelanger Erfahrung richtig beurteilen. Diese Studie zeigt, wie ein System der künstlichen Intelligenz (KI) von Expert*innen lernen kann, Röntgenaufnahmen und MRT‑Scans des Halses zu interpretieren, und so Fachdiagnostik in vielbeschäftigte Krankenhäuser und unterversorgte Kliniken bringen kann.

Warum Verschleiß im Hals so schwer zu erkennen ist

Im Gegensatz zu einem gebrochenen Knochen oder einem großen Tumor hinterlässt zervikale Spondylose auf einem Scan selten ein einzelnes deutliches Zeichen. Stattdessen besteht sie aus vielen kleinen, miteinander verknüpften Veränderungen: die natürliche Krümmung des Halses kann sich abflachen oder umkehren, Wirbel können sich leicht verschieben, Bandscheiben können vorwölben oder reißen, und der Kanal, in dem das Rückenmark liegt, kann sich allmählich verengen. Ärzt*innen messen derzeit mehrere geometrische Merkmale auf Röntgenaufnahmen – etwa die Gesamtkrümmung des Halses und die Ausrichtung wichtiger Wirbel – sowie Veränderungen im MRT, die Weichteilprobleme wie Bandscheibenvorfälle oder eingeengte Nervenwurzeln zeigen. Diese Messungen für jede Patientin und jeden Patienten genau durchzuführen ist zeitaufwändig und hängt stark von der Erfahrung erfahrener Radiolog*innen und Wirbelsäulenchirurg*innen ab, die außerhalb großer medizinischer Zentren oft rar sind.

Ein Computer, der den Hals wie ein*e Spezialist*in liest

Die Forschenden entwickelten ein Deep‑Learning‑System, das nachahmt, wie Expert*innen zervikale Bilder betrachten, dies aber automatisch und konsistent tut. Zuerst erkennt es die Umrisse und Ecken der Halswirbel auf seitlichen Röntgenaufnahmen und behandelt jeden Wirbel als genau definiertes Viereck. Aus diesen Punkten berechnet das Modell standardisierte Messgrößen, die in der OP‑Planung verwendet werden, wie den Cobb‑Winkel (der beschreibt, wie gekrümmt oder gerade der Hals ist) und die sagittale Vertikalachse, ein wichtiges Merkmal dafür, ob der Kopf gut über der Wirbelsäule ausbalanciert ist. Es schätzt außerdem, wie stark benachbarte Wirbel gegeneinander verschoben sind, was auf Instabilität hinweist, und misst die Größe des Spinalkanals und des Wirbelkörpers, um ein Verhältnis zu berechnen, das auf eine mögliche angeborene Einengung hindeutet.

Verschiedene Scans zu einem kohärenten Bild vereinen

Da kein einzelner Scantyp die ganze Geschichte erzählt, wurde das System so konzipiert, dass es koordinierte Arbeit mit sowohl Röntgenaufnahmen als auch MRT leistet. Röntgenbilder liefern präzise Informationen über Knochenform und Ausrichtung, während das MRT den Zustand der Weichteile zeigt, insbesondere der Bandscheiben und der Austrittsöffnungen der Nerven. In einer Multi‑Task‑Lernarchitektur wird die KI darauf trainiert, all diese Messungen und Klassifikationen gemeinsam durchzuführen und zwischen den Aufgaben zu teilen, was sie lernt. Für das MRT analysiert ein spezialisiertes Netzwerk die Bandscheiben zwischen jeweils zwei Wirbeln und bestimmt, ob sie relativ gesund sind oder schwerere Vorwölbungen oder Vorfälle zeigen, und ob der Spinalkanal und die Nervenkanäle verengt sind. Anstatt alles in ein einziges Ja‑oder‑Nein‑Label zu bündeln, liefert das System ein detailliertes Profil, welche Probleme vorhanden sind und wo.

Wie gut die KI gegenüber menschlichen Ärzt*innen abschneidet

Die Studie analysierte Röntgenaufnahmen und MRT‑Scans von mehr als tausend Patient*innen, die in einem großen Krankenhaus behandelt wurden, mit sorgfältigen Labels durch erfahrene Radiolog*innen und Wirbelsäulenspezialist*innen. Bei einfachen geometrischen Messungen wie Abständen lagen die Fehler der KI häufig unter einem Millimeter, und bei Winkeln betrugen die Abweichungen im Mittel nur wenige Grad – in vielen Fällen genau genug, um klinisch als mit manuellen Messungen austauschbar zu gelten. Bei Bandscheibenproblemen, Kanalverengungen und Stenosen an den Nervenwurzelaustritten im MRT erreichte das Modell Genauigkeitswerte, die mit denen von Junior‑ und Senior‑Radiolog*innen vergleichbar waren und manchmal sogar besser, und ähnlich denen erfahrener Kliniker*innen – und das innerhalb von Sekunden statt Minuten. Beim Test an einem zweiten Krankenhaus sank die Leistung leicht, blieb aber hoch, was darauf hindeutet, dass das System über den ursprünglichen Trainingsstandort hinaus generalisieren kann.

Was das für Patient*innen und Kliniken bedeuten könnte

Für Menschen mit Nackenschmerzen liegt das Potenzial dieser Arbeit in schnelleren, konsistenteren Diagnosen und besser abgestimmten Therapieentscheidungen. Die KI ersetzt nicht die Ärzt*innen; sie dient als unermüdliche Assistenz, die Schlüsselmerkmale vorvermessen, wahrscheinliche Problemzonen kennzeichnen und einen einheitlichen, scan‑für‑scan Bericht zum Halszustand liefern kann. Da sie die Messungen widerspiegelt, denen Expert*innen bereits vertrauen – statt neue zu erfinden – lässt sie sich in bestehende klinische Abläufe einfügen und kann helfen, Spezialwissen in Krankenhäuser zu transferieren, die keine eigenen Wirbelsäulenexpert*innen haben. Bei breiterer Einführung und weiterer Validierung könnten solche Systeme zu früherer Erkennung riskanter Halsveränderungen, weniger übersehenen Fällen und geeigneteren chirurgischen oder konservativen Behandlungen für Millionen von Menschen weltweit führen.

Zitation: Song, X., Li, Y., Ouyang, H. et al. Automated diagnostic of cervical spondylosis on multimodal medical images with a multi-task deep learning model. Nat Commun 17, 2392 (2026). https://doi.org/10.1038/s41467-026-69023-w

Schlüsselwörter: zervikale Spondylose, Wirbelsäulenbildgebung, Deep Learning, medizinische KI, Nackenschmerzen