Automatisierte Bewertung und Diagnose von Sakroiliitis in CT‑Bildern mit einem 3D‑Convolutional‑Neural‑Network: eine multizentrische retrospektive Studie

Warum das für Rückenschmerzen und Gelenkgesundheit wichtig ist

Untere Rückenschmerzen, die bereits im frühen Erwachsenenalter auftreten und langsam schlimmer werden, können manchmal auf eine ankylosierende Spondylitis hinweisen, eine langwierige Form der Wirbelsäulenarthritis. Ärztinnen und Ärzte stützen sich auf detaillierte Bildgebung der Sakroiliakalgelenke — dort, wo die Wirbelsäule auf das Becken trifft — um früh Schäden zu erkennen und die Behandlung zu steuern. Diese Aufnahmen sind jedoch oft schwer zu beurteilen, und verschiedene Spezialisten können zu unterschiedlichen Einschätzungen kommen. Diese Studie untersucht, ob eine moderne Form künstlicher Intelligenz CT‑Scans dieser Gelenke zuverlässig lesen kann, um schwere Erkrankungen früher zu erfassen und Ärztinnen und Ärzte in vollen Kliniken zu unterstützen.

Die verborgen liegenden Gelenke an der Basis der Wirbelsäule

Die Sakroiliakalgelenke liegen tief im Becken und übertragen das Gewicht des Oberkörpers auf die Beine. Bei ankylosierender Spondylitis kann eine lang andauernde Entzündung diese Gelenke allmählich zerstören und schließlich zu ihrer Verknöcherung und Verschmelzung führen, was Schmerzen, Steifheit und eingeschränkte Mobilität zur Folge hat. Ärztinnen und Ärzte stufen den Schaden auf einer fünfstufigen Skala ein, von normal bis vollständig verschmolzen. Das Erreichen bestimmter Grade bestätigt die Diagnose und beeinflusst die Therapieentscheidungen. Auf Standard‑Röntgenaufnahmen sind frühe Veränderungen oft subtil, und selbst erfahrene Radiologinnen und Radiologen sind sich häufig uneinig über die Einstufung. CT‑Scans zeigen Knochenstrukturen deutlich besser, doch tausende Aufnahmen systematisch zu bewerten, ist zeitaufwendig, und vielen Krankenhäusern fehlen subspezialisierte Befunder.

Dem Computer beibringen, zu sehen, was Radiologen sehen

Die Forschenden entwickelten ein automatisiertes System, das nachahmt, wie ein sorgfältiger Spezialist einen CT‑Scan betrachten würde — jedoch dreidimensional und mit hoher Geschwindigkeit. Zuerst isoliert ein Segmentierungsmodell die Beckenknochen vom Rest der Aufnahme und konzentriert die Analyse auf die relevante Region. Ein zweites Modell — basierend auf einer tiefen Lernarchitektur namens 3D‑DenseNet — untersucht dann die Knochenstrukturen Schicht für Schicht und vergibt eine Einstufung. Das Team trainierte dieses System mit CT‑Scans von 2.144 Personen, darunter gesunde Personen und Patientinnen und Patienten mit dem Verdacht auf ankylosierende Spondylitis. Drei Radiologinnen und Radiologen beurteilten jede Aufnahme nach internationalen Kriterien; Uneinigkeiten wurden von einer erfahrenen Expertin oder einem Experten entschieden, wodurch ein rigoroses „Lehrset“ für die KI entstand.

Wie gut die KI Gelenkschäden erkannte

Bei der Unterscheidung aller fünf traditionellen Grades von Gelenkschäden zeigte die KI insgesamt starke Leistungen und ausgezeichnete Ergebnisse bei den fortgeschrittensten Erkrankungsstadien. Ihre Fähigkeit, normale Gelenke und vollständig verschmolzene Gelenke von den übrigen Fällen zu trennen, war besonders hoch und entsprach dem, was von gut ausgebildeten menschlichen Befunderinnen und Befundern zu erwarten wäre. Weniger sicher war das System bei der Abgrenzung der frühesten sichtbaren Schäden von sehr leichten Veränderungen — genau in dem Bereich, in dem Ärztinnen und Ärzte selbst am häufigsten uneinig sind, weil die Anzeichen ineinander übergehen. Um die alltägliche klinische Entscheidungsfindung besser abzubilden, fasste das Team die fünf Grade außerdem in drei breitere Kategorien zusammen: normal oder verdächtig, eindeutiger struktureller Schaden und fortgeschrittene Verschmelzung. In dieser vereinfachten Einteilung wurde die KI noch zuverlässiger und stabiler.

Belegen, dass es außerhalb eines Krankenhauses funktioniert

Eine zentrale Frage für jedes KI‑Tool ist, ob es nur dort funktioniert, wo es entwickelt wurde, oder auch in anderen Krankenhäusern mit anderen Scannern und Patientengruppen. Zur Prüfung bewerteten die Forschenden ihr Drei‑Kategorien‑Modell an CT‑Scans aus zwei zusätzlichen Zentren, die nicht im Training verwendet worden waren. Das System behielt hohe Genauigkeit und Zuverlässigkeit bei, trennte korrekt Personen ohne strukturellen Schaden von jenen mit klaren Erkrankungen und identifizierte die meisten Fälle fortgeschrittener Verschmelzung. Visualisierungstechniken zeigten, dass das Modell seine Aufmerksamkeit dort konzentrierte, wo auch ein Mensch hinschauen würde — auf die Sakroiliakalgelenke selbst — statt auf ungeeignete Anatomie, was das Vertrauen der Klinikerinnen und Kliniker in seine Entscheidungen stärkte.

Zusammen mit Radiologinnen und Radiologen arbeiten, nicht sie ersetzen

Das Team untersuchte außerdem, was passiert, wenn Radiologinnen und Radiologen die Vorschläge der KI während der Befundung nutzen. Zwei erfahrene Gutachterinnen und Gutachter beurteilten zunächst Bilder allein und überprüften dann dieselben Fälle mit den Ausgaben des Modells. Mit dieser digitalen Zweitmeinung verbesserten sich beide in ihrer Genauigkeit um etwa 7–8 Prozentpunkte, und ihre Übereinstimmung miteinander nahm deutlich zu. Die KI beseitigte nicht alle Unsicherheiten, besonders bei grenzwertigen frühen Fällen, reduzierte aber Uneinigkeit und lieferte konsistente Unterstützung, insbesondere beim Erkennen fortgeschrittenerer Schäden.

Was das für Patientinnen und Patienten und die künftige Versorgung bedeutet

Praktisch zeigt diese Arbeit, dass ein gut gestaltetes 3D‑Tiefenlern‑System Sakroiliakalgelenkschäden in CT‑Scans automatisch mit einer Konsistenz einstufen kann, die mit Expertinnen und Experten vergleichbar ist. Als Assistenzsystem und nicht als Ersatz könnte es helfen, schwerwiegende strukturelle Veränderungen früher zu erkennen, Diagnosen zwischen Krankenhäusern zu standardisieren und Radiologinnen und Radiologen Freiraum für die komplexesten Fälle zu verschaffen. Die Autorinnen und Autoren weisen darauf hin, dass CT Schäden erst zeigt, wenn sie dauerhaft sind, sodass MRT und klinische Beurteilung weiterhin entscheidend sind, um die allerersten Stadien der Erkrankung zu erkennen. Dennoch stellt dieser KI‑gestützte Ansatz als Teil eines breiteren Werkzeugkastens einen vielversprechenden Schritt zu objektiverer, reproduzierbarer Versorgung für Menschen mit Risiko für ankylosierende Spondylitis dar.

Zitation: Du, Yk., Liu, R., Guo, H. et al. Automated grading and diagnosis of sacroiliitis on CT images using a 3D convolutional neural network: a multicenter retrospective study. Sci Rep 16, 14099 (2026). https://doi.org/10.1038/s41598-026-44911-9

Schlüsselwörter: ankylosierende Spondylitis, Sakroiliitis, CT‑Bildgebung, Tiefes Lernen, Radiologie‑KI