Magnetresonanztomographie-Diagnose von Knieverletzungen nach Skifahren bei Jugendlichen unter Einsatz von Deep Learning

Warum Knieaufnahmen für junge Skifahrer wichtig sind

Skifahren wird bei Jugendlichen immer beliebter, bringt aber auch ein reales Risiko für Knieverletzungen mit sich, die sowohl die Leistungsfähigkeit als auch die langfristige Gelenkgesundheit beeinträchtigen können. Ärztinnen und Ärzte verlassen sich auf die Magnetresonanztomographie (MRT), um ins Knie zu blicken, doch kleine Risse und frühe Knorpelschäden können bei visueller Befundung leicht übersehen werden. Die vorliegende Studie untersucht, wie ein System der künstlichen Intelligenz Radiologinnen und Radiologen dabei unterstützen kann, Knie‑MRTs von jugendlichen Skifahrern schneller und konsistenter zu lesen und subtile Probleme zu erkennen, bevor sie sich verschlimmern.

Wie Skifahren junge Knie belastet

Jugendliche Skifahrer haben eine hohe Rate an Knieproblemen, insbesondere Risse des vorderen Kreuzbands und Meniskusschäden sowie Knorpelschäden und Zerrungen des medialen Seitenbands. Solche Verletzungen können das Training unterbrechen, das Risiko für spätere Arthrose erhöhen und sogar Sportkarrieren verkürzen. Zugleich sind Teenager keine kleinen Erwachsenen: Knochen und Knorpel befinden sich noch in der Entwicklung, sodass Verletzungen in Bildgebung anders aussehen und an anderen Stellen auftreten können als bei ausgereiften Athleten. Die meisten computergestützten Werkzeuge zur Auswertung von Knie‑MRTs wurden jedoch an Erwachsenenbildern trainiert, sodass es an Unterstützung für junge Wettkampfathleten mangelt.

Grenzen der visuellen Befundung

Die standardmäßige MRT‑Diagnostik hängt stark von Können und Erfahrung der Radiologinnen und Radiologen ab. Ein vollständiges Satz von Kniebildern Schnitt für Schnitt zu lesen, ist zeitaufwendig und ermüdend, und winzige Knorpeldefekte oder partielle Bandrisse können übersehen werden. Verschiedene Ärztinnen und Ärzte können dasselbe Bild unterschiedlich beurteilen, was Therapieentscheidungen erschweren kann. Frühere computergestützte Methoden versuchten zu helfen, indem sie einfache Bildmerkmale maßen und in klassische Algorithmen einspeisten, scheiterten jedoch daran, die komplexen Muster zu erfassen, die normale jugendliche Anatomie von frühen Verletzungen unterscheiden.

Ein intelligentes Modell, das Verletzungen findet und benennt

Die Forschenden entwickelten ein hybrides Deep‑Learning‑System, das zwei Aufgaben gleichzeitig erfüllt: Zuerst grenzt es die verletzten Regionen in der MRT präzise ab, anschließend bestimmt es, welche Verletzungsarten vorliegen. Ein Modellteil, U‑Net++, wirkt wie ein digitales Textmarker‑Werkzeug und zeichnet vier Schadensarten auf Pixel‑Ebene nach: Risse des vorderen Kreuzbands, Meniskusrisse, Knorpelverletzungen und Zerrungen des medialen Seitenbands. Seine Architektur ermöglicht die Wiedernutzung von Bilddetails auf vielen Skalen und erhält zusätzliches Training‑Guidance, was besonders bei winzigen oder schwach sichtbaren Läsionen hilft. Der zweite Teil, basierend auf einem Netzwerk namens DenseNet121, verarbeitet sowohl die Originalaufnahme als auch die hervorgehobenen Verletzungsregionen, lernt Muster aus deren Kombination und gibt aus, welche Verletzungen in jedem Knie vorhanden sind.

Test an realen MRTs von jungen Skifahrern

Das Team trainierte und evaluierte das System an 309 Knie‑MRT‑Fällen von jugendlichen Skifahrern im Alter von 12 bis 18 Jahren. Erfahrene Radiologinnen und Radiologen zeichneten die Verletzungsregionen sorgfältig nach und stimmten die abschließenden Labels ab, wodurch eine hochwertige Referenz für das Modell entstand. Die Bilder umfassten mehrere gängige MRT‑Sequenzen und wurden in der Größe standardisiert. Während des Trainings sah das System viele leicht veränderte Varianten jeder Aufnahme, etwa kleine Rotationen und Helligkeitsänderungen, um mit realen Variationen umgehen zu können. Die Forschenden verglichen ihren Ansatz mit klassischen Machine‑Learning‑Methoden auf handgefertigten Features, einem populären Deep‑Learning‑Netzwerk namens ResNet50 und einer einfacheren Kombination separater Segmentations‑ und Klassifikationsmodelle.

Wie gut das System abgeschnitten hat

Das hybride Modell zeigte deutliche Verbesserungen sowohl bei der Segmentierung als auch bei der Erkennung von Verletzungen. Im Mittel stimmten seine Segmentierungen eng mit den Zeichnungen der Radiologinnen und Radiologen überein, insbesondere bei Meniskusrissen und Bandverletzungen, und es verbesserte die Kartierung von Knorpelschäden im Vergleich zu einem Standard‑U‑Net. Bei der Klassifikation identifizierte es die Verletzungsarten in etwa neun von zehn Fällen korrekt und erzielte ein gutes Gleichgewicht zwischen dem Erfassen echter Verletzungen und dem Vermeiden von Fehlalarmen. Das System übertraf sowohl traditionelle feature‑basierte Methoden als auch ResNet50 in allen wichtigen Messgrößen und war dabei effizienter im Training als getrennte Modelle.

Was das für junge Sportler und Kliniken bedeutet

Einfach gesagt deutet die Studie darauf hin, dass ein gut konzipierter KI‑Assistent Ärztinnen und Ärzten helfen kann, Knie‑MRTs jugendlicher Skifahrer schneller und konsistenter zu beurteilen, insbesondere bei kleinen oder leicht übersehbaren Verletzungen. Indem er automatisch verdächtige Regionen markiert und innerhalb weniger Sekunden wahrscheinliche Verletzungsarten angibt, könnte ein solches Werkzeug verpasste Befunde reduzieren, weniger erfahrene Radiologinnen und Radiologen unterstützen und Entscheidungswege zu Behandlung und Rückkehr zum Sport beschleunigen. Die Autorinnen und Autoren weisen darauf hin, dass noch vielfältigere Daten aus mehreren Kliniken nötig sind, doch ihre Ergebnisse zeigen, dass KI ein praxisnaher Partner zum Schutz junger Knie auf der Piste werden kann.

Zitation: Xu, W., Li, S., Zhang, G. et al. Magnetic resonance imaging diagnosis of knee injuries after skiing in adolescents under deep learning. Sci Rep 16, 15576 (2026). https://doi.org/10.1038/s41598-026-47058-9

Schlüsselwörter: Knie‑MRT, Skiverletzungen bei Jugendlichen, Deep‑Learning‑Diagnostik, Bildgebung in der Sportmedizin, Bänderrisse und Knorpelschäden