Tiefes Lernen zur schnellen Erkennung und Lokalisation spinaler duraler arteriovenöser Fisteln zur Verbesserung des klinischen Workflows

Warum das für Patientinnen, Patienten und Ärztinnen und Ärzte wichtig ist

Rückenschwäche und Beinschwäche, Gehprobleme oder Blasenstörungen werden oft dem Alter oder häufigen Wirbelsäulenbeschwerden zugeschrieben. Bei manchen Menschen steckt jedoch eine winzige abnorme Gefäßverbindung an der Hülle des Rückenmarks dahinter – eine spinale durale arteriovenöse Fistel (SDAVF). Diese Fisteln sind schwer zu entdecken und werden leicht übersehen, was Behandlungsverzögerungen und dauerhafte Nervenschäden zur Folge haben kann. Die vorliegende Studie stellt ein System der künstlichen Intelligenz (KI) vor, das Gefäßaufnahmen der Wirbelsäule schnell und präzise auswertet und Ärztinnen und Ärzten hilft, diese versteckten Probleme mit deutlich geringerem Aufwand zu finden.

Eine versteckte Ursache schwerer Wirbelsäulenprobleme

SDAVFs sind die häufigste Form von Gefäßfehlbildungen der Wirbelsäule, bleiben insgesamt aber selten und werden oft übersehen. Ihre Symptome – schleichende Beinschwäche, Taubheit oder Störungen von Blase und Darm – können viele andere Wirbelsäulenerkrankungen imitieren. Wird die Fistel nicht rechtzeitig behandelt, kann der Hochdruckblutfluss die Venen um das Rückenmark schädigen und zu irreversiblem Funktionsverlust führen. Ärztinnen und Ärzte stützen sich derzeit auf eine invasive Untersuchung, die digitale Subtraktionsangiographie, die lange Prozeduren, Strahlenbelastung und Kontrastmittel erfordert, um die Gefäße detailliert darzustellen. Eine weniger invasive Aufnahme, die CT-Angiographie (CTA), wird bereits zur Vorarbeit genutzt, doch aus den Rohdaten brauchbare 3D-Bilder zu gewinnen ist zeitaufwändig, mühsam und stark abhängig von Geschick und Geduld des Technikers.

Komplexe Aufnahmen in klare Antworten verwandeln

Um diesen Engpass zu überwinden, entwickelten die Forschenden ein automatisiertes System namens SDAVFdoc, das komplette CTA-Untersuchungen der Wirbelsäule auswertet. Anstatt eine Person mehr als tausend dünne Bildschichten durchscrollen und die Gefäße manuell rekonstruieren zu lassen, zerlegt das System die Aufgabe in mehrere logische Schritte. Zuerst umreißt ein Deep-Learning-Modell das Rückenmark selbst und verkleinert damit das Suchgebiet. Ein zweites Modell durchsucht diesen Bereich nach Clustern abnormer ableitender Venen, dem entscheidenden visuellen Hinweis auf eine SDAVF. Erreicht ein solcher Cluster eine bestimmte Größe, markiert das System die Aufnahme als wahrscheinlich positiv.

Den genauen Problempunkt finden

Nachdem entschieden wurde, ob wahrscheinlich eine Fistel vorliegt, muss SDAVFdoc der Ärztin oder dem Arzt noch sagen, wo genau nachzusehen ist. Dafür identifizieren zusätzliche KI-Modelle die Zentren der Wirbelkörper vom ersten Brustwirbel bis zum fünften Lendenwirbel und lokalisieren dann die linken und rechten Austrittsöffnungen der Spinalnerven, die sogenannten Zwischenwirbellöcher (Foramina). Mithilfe dieser eingebauten Wirbelsäulenkarte grenzt das System das vertikale Segment ein, in dem die ableitenden Venen erscheinen, und schneidet kleine dreidimensionale Blöcke um jedes Foramen aus. Ein abschließendes Deep-Learning-Modell untersucht diese kleinen Regionen und wählt diejenige aus, die am wahrscheinlichsten die Fistel enthält, und weist so effektiv auf eine bestimmte Seite und Höhe der Wirbelsäule hin.

Genauigkeit, Geschwindigkeit und Tests in der Praxis

Das Team trainierte und testete SDAVFdoc an CTA-Aufnahmen von 718 Patientinnen und Patienten aus drei Krankenhäusern, darunter sowohl Personen mit bestätigter SDAVF als auch ohne. Das Modell zur Erkennung von Venenclustern unterschied SDAVF-Fälle von Nicht-SDAVF-Fällen mit hoher Genauigkeit und erreichte F1-Werte über 0,93 in mehreren Testsets. Das finale Modell zur Lokalisation der Fistel zeigte ebenfalls starke Leistungen, mit einer Trennschärfe zwischen echten und falschen Fällen (AUC) von konstant etwa 0,93–0,95. Ebenfalls wichtig: Zwei erfahrene Radiologinnen bzw. Radiologen bewerteten über 90 % der automatisch erzeugten Venenbilder als ausreichend gut oder exzellent für die Diagnose. In einer prospektiven Studie, die den klinischen Alltag nachbildete, reduzierte das KI-System die durchschnittliche Nachbearbeitungszeit pro Fall von etwa 41 Minuten auf etwas mehr als 1 Minute und verringerte die Anzahl der Mausklicks von über 750 auf weniger als 10.

Was das für die zukünftige Versorgung bedeutet

Für Patientinnen und Patienten deutet die Studie auf eine Zukunft hin, in der gefährliche, aber behandelbare Gefäßprobleme der Wirbelsäule zuverlässiger und früher erkannt werden, bevor sie bleibende Schäden verursachen. Für Ärztinnen, Ärzte und Technikerinnen und Techniker bietet SDAVFdoc die Möglichkeit, eine mühsame, fachlich anspruchsvolle Aufgabe in einen automatisierten Hintergrundprozess zu überführen, der klare Kandidatenorte für eine Fistel liefert. Obwohl das System noch an anderen, selteneren Wirbelsäulengefäßerkrankungen und in Bereichen außerhalb der unteren Wirbelsäule getestet werden muss, zeigt es bereits, dass KI einen großen Teil der komplexen Bildrekonstruktion sicher übernehmen kann. Praktisch könnte dieses Werkzeug Krankenhäusern helfen, Untersuchungsabläufe zu verkürzen, strahlenintensive Prozeduren zu reduzieren und Spezialisten schneller zu der winzigen Fehlstelle zu führen, die über Lähmung oder Genesung entscheidet.

Zitation: Zheng, F., Cao, X., Xu, J. et al. Deep learning for fast screening and localization of spinal dural arteriovenous fistulas to enhance clinical workflow. npj Digit. Med. 9, 296 (2026). https://doi.org/10.1038/s41746-026-02474-z

Schlüsselwörter: spinale durale arteriovenöse Fistel, CT-Angiographie, Deep Learning, medizinische Bildgebung KI, spinale Gefäßfehlbildungen