Künstliche Intelligenz zur Frakturerkennung in der Radiologie
Die Traumaversorgung in der Notaufnahme hängt von einer schnellen und präzisen Frakturerkennung ab, um die Schmerzen der Patienten zu lindern und schwerwiegende Komplikationen zu verhindern. Hier ist die künstliche Intelligenz (KI) zu einem transformativen Werkzeug geworden, das den Diagnoseprozess verbessert und einen nahtlosen klinischen Arbeitsablauf ermöglicht.
Zahlreiche Studien belegen die Fähigkeit der KI, kleinste Frakturen zu erkennen, die möglicherweise unbemerkt bleiben. So ergab eine auf dem RSNA 2023 vorgestellte Studie, dass KI bei der Erkennung häufig übersehener Frakturen effektiver war als Radiologen, was darauf hindeutet, dass ein mit KI verbundener Radiologe die Erkennung verbessern könnte. Auch in den nationalen Normen wird die Rolle der KI in den diagnostischen Arbeitsabläufen allmählich anerkannt. Wie das britische National Institute for Health and Care Excellence (NICE) feststellte, hat sich die KI in der Notfallversorgung bei der Erkennung von Frakturen als nützlich erwiesen. NICE befürwortete Rayvolve®, das vier Produkte umfasst: AZtrauma, AZchest, AZmeasure und AZboneage, aufgrund seiner Fähigkeit, Diagnosefehler zu reduzieren (nice.org.uk).
Die KI-gestützte Frakturerkennung ist erst der Anfang und markiert eine neue Schwelle für die Verbesserung der diagnostischen Genauigkeit und die Beschleunigung der Patientenversorgung. In diesem Artikel wird untersucht, wie die KI-Frakturerkennung funktioniert und welche Vorteile sie im klinischen Umfeld bietet.
Einsatz von KI zur Frakturerkennung in der medizinischen Bildgebung
AZtrauma, die vollständig zertifizierte MDaaS-KI-Software für die Frakturerkennung von AZmed, nutzt hochentwickelte Algorithmen zur Analyse und Erkennung von Knochenfrakturen, Luxationen und Gelenkergüssen in medizinischen Bildern. Durch den Einsatz fortschrittlicher Deep-Learning- und Computer-Vision-Technologien steigert AZtrauma die Produktivität und Präzision der Diagnose für Radiologen erheblich.
Als Hilfsmittel für die Diagnose bietet AZtrauma mehrere Vorteile gegenüber der herkömmlichen Diagnostik:
Fortgeschrittene Techniken von Machine Learning
Hochwertige Unterstützung wird durch Convolutional Neural Networks (CNNs), visuelle Transformatoren und andere fortschrittliche Deep-Learning-Modelle geliefert, die die Software antreiben. Die Rayvolve® AI Suite von AZmed wurde auf einem der größten Datensätze von Röntgenbildern (>15 Millionen) mit sorgfältigen Anmerkungen von zertifizierten Radiologen trainiert, so dass die KI in der Lage ist, komplexe Frakturmuster genau zu erkennen. Dieses umfassende Training macht AZtrauma zu einer leistungsstarken Ressource. Im Folgenden wird beschrieben, wie das Modell entwickelt wurde:
- Erstellung eines Datensatzes: Der erste Schritt ist das Sammeln eines großen Satzes von Röntgenbildern. Er umfasst sowohl frakturierte als auch normale Fälle.
- Beschriftung: Erfahrene Radiologen kennzeichnen die Frakturen in den Bildern, was als zuverlässige Grundlage für das Training dient.
- Modell-Training: Abhängig von den Annotationsdaten lernen die Algorithmen durch Iterationen zwischen den beiden Frakturmustern zu unterscheiden.
- Validierung: Überprüfung der Genauigkeit und Zuverlässigkeit des Modells anhand neuer oder zuvor nicht getesteter Bilder.
Vorteile von KI Fraktur Detektion
AZtrauma nutzt Algorithmen zur Analyse medizinischer Bilder, die eine bessere Erkennung von subtilen Frakturen und weniger falsch-positive und falsch-negative Ergebnisse ermöglichen und gleichzeitig konsistente Lesungen für alle Fälle gewährleisten. Diese Schnelligkeit und Genauigkeit ermöglicht eine schnellere Priorisierung kritischer Fälle, was die Wartezeiten minimiert und zu einer schnellen Behandlung führt. AZtrauma automatisiert Routineaufgaben und entlastet Radiologen von alltäglichen Aufgaben, so dass sie sich auf komplexere Fälle konzentrieren können, was das Burnout-Risko verringert und die Leistung der radiologischen Abteilung verbessert.
Auf dem RSNA 2023 stellte Dr. Sean Raj, Chief Innovation Officer von SimonMed, eine Studie zur Validierung der Leistung von Rayvolve® vor. In dieser Studie wurden Untersuchungsdaten aus den Jahren 2022 (ohne KI) und 2023 (mit KI) extrahiert, die 159.601 bzw. 170.703 Untersuchungen umfassten. Die Ergebnisse weisen auf verbesserte Diagnoseraten hin, mit einer Frakturprävalenz von 10,4 % ohne KI und 11,8 % mit KI. Die mittlere Durchlaufzeit (TAT) für Fraktur-positive Fälle wurde signifikant von 48 Stunden ohne KI auf 8,3 Stunden mit KI reduziert, was einer durchschnittlichen Verkürzung von 83% entspricht.
Implementierung im Gesundheitswesen
Der Ansatz von AZmed besteht darin, medizinisches Fachpersonal in den Grundprinzipien der KI zu schulen, direkte Erfahrungen mit der AZtrauma-Software zu sammeln und zu trainieren, wie man KI-unterstützte Diagnoseberichte liest und wie man diese Erkenntnisse für die klinische Entscheidungsfindung nutzt. Aufgrund unterschiedlicher Anforderungen an Infrastruktur und Sicherheit bietet AZmed drei Bereitstellungsmodelle an: On-Premise + Cloud, Cloud oder ein reines On-Premise-Modell. Jedes Modell ist darauf ausgelegt, Patientendaten zu schützen und Datenlecks zu verhindern, indem sichere Netzwerksysteme und kontrollierte Datenspeicherlösungen bereitgestellt und verwaltet werden. Diese Flexibilität ermöglicht es Gesundheitsdienstleistern, die Option zu implementieren, die am besten zu ihrer bestehenden Infrastruktur und ihren Sicherheitsrichtlinien passt.
Integration in bestehende medizinische Bildgebungssysteme
AZtrauma fügt sich nahtlos in die Arbeitsabläufe in Krankenhäusern ein und lässt sich direkt mit medizinischen Bildgebungssystemen verbinden, um eine KI-gestützte Erkennung zu ermöglichen:
Identifizierung von Brüchen in Echtzeit
Wenn ein neues Röntgenbild aufgenommen wird:
- Das KI-System empfängt das Bild
- Das trainierte Modell analysiert das Bild auf Frakturmuster
- Die Ergebnisse werden innerhalb von Sekunden erstellt und zeigen mögliche Frakturen auf.
- Radiologen überprüfen die KI-unterstützten Ergebnisse in der zweiten Aufnahme für die endgültige Interpretation
Schlussfolgerung
Mithilfe von Deep-Learning-Algorithmen, die auf umfangreichen Datensätzen trainiert wurden, analysiert AZtrauma Röntgenbilder in Sekundenschnelle, um Knochenbrüche zu erkennen, die manchmal schwer zu interpretieren sind. Die Vorteile dieser Technologie liegen auf der Hand: bessere Diagnosegenauigkeit, schnellere Ergebnisse und potenzielle Kosteneinsparungen für die Gesundheitssysteme.
Trotz des vielversprechenden Potenzials der künstlichen Intelligenz bei der Erkennung von Knochenbrüchen ist es von entscheidender Bedeutung, die Probleme der Datenqualität, der algorithmischen Verzerrung und der Integration in bestehende Gesundheitssysteme zu überwinden. AZmed ist entschlossen, diese Herausforderungen zu meistern, damit AZtrauma seine hohe Leistung und Zuverlässigkeit im klinischen Einsatz beibehält. Es wird erwartet, dass aktuelle und künftige Technologien den Einsatz von KI bei der Frakturdiagnose weiter optimieren, die Anwendbarkeit erweitern und die Patientenversorgung weiter verbessern werden.
Um mehr über die AZtrauma-Lösung zu erfahren, lesen Sie die klinische Evidenz hier.
AZtrauma ist jetzt in den SimonMed Imaging Centers installiert. Sehen Sie sich das vollständige Interview an, das von JT Radiologue geführt wurde: RSNA 2024 Interview mit SimonMed Imaging
Klinische Evidenz
Die bisher größte Studie zur Frakturerkennung mit KI validiert AZtrauma anhand von 195.706 muskuloskelettalen Röntgenaufnahmen aus 26 Ländern
Ziel
Ziel dieser Bewertung war es, die erste internationale multizentrische Studie der Rayvolve®-KI-Suite hinsichtlich ihrer Leistung unter realen Bedingungen in verschiedenen klinischen Umgebungen und Patientenpopulationen zu untersuchen, wobei AZtrauma den größten Teil des Datensatzes ausmachte.
Methoden
Zwischen 2022 und April 2025 wurden Röntgenbilder aus 100 medizinischen Zentren in 26 Ländern auf 5 Kontinenten gesammelt, insgesamt 258.373 Bilder. Der AZtrauma-Datensatz machte davon 75,7 % aus und umfasste 195.706 muskuloskelettale Röntgenaufnahmen. Dreizehn erfahrene Gutachter kommentierten alle Bilder im Konsens nach einem Doppel-Lesemodell; ein dritter Gutachter traf die endgültige Entscheidung bei abweichenden Fällen. Die primären Endpunkte waren die Fläche unter der Kurve (AUC), Sensitivität, Spezifität, positiver Vorhersagewert (PPV) und negativer Vorhersagewert (NPV), mit Subgruppenanalysen nach Altersgruppe, Geschlecht, Körperteil und Land.
Ergebnisse
AZtrauma erzielte eine Gesamt-AUC von 98,3 % (95 %-KI: 98,2 %–98,4 %), eine Sensitivität von 97,4 %, eine Spezifität von 96,4 % und einen NPV von 99,7 %. Die AUC für Frakturen betrug 98,7 %, mit einer Sensitivität und Spezifität von 98,2 % bzw. 93 %. Die AUC für die Erkennung von Luxationen betrug 95,6 %, mit einer Sensitivität und Spezifität von 93,4 % bzw. 96,7 %. Die AUC für die Erkennung von Gelenkergüssen betrug 97,5 %, mit einer Sensitivität und Spezifität von 96,1 % bzw. 98,8 %. In allen Untergruppen des Datensatzes wurde eine durchgehend robuste und hohe Leistung beobachtet, einschließlich aller pädiatrischen Altersgruppen, Patienten über 60 Jahre sowie männlicher und weiblicher Patienten; für alle 17 Körperteile und in allen geografischen Regionen mit einer AUC > 96 %, einer Sensitivität > 93 % und einer Spezifität > 93 %.
Schlussfolgerung
Dies ist die bisher umfangreichste und geografisch vielfältigste Validierung eines KI-Werkzeugs zur Frakturerkennung, die je veröffentlicht wurde. Der AZtrauma-Datensatz zeigte durchgehend eine hohe, zuverlässige und verallgemeinerbare Leistung unter realen klinischen Bedingungen und bestätigte die Zuverlässigkeit dieses diagnostischen Hilfsmittels für alle Patientengruppen, Körperteile und Bildaufnahmebedingungen.
Mehr erfahren: Veröffentlicht in Radiography
Bewertung eines Deep-Learning-Werkzeugs zur Verbesserung der Frakturerkennung durch Radiologen und Notärzte auf Röntgenaufnahmen der Extremitäten
Ziel
Bewertung der eigenständigen Leistung eines auf Deep Learning (DL) basierenden KI-Werkzeugs zur Frakturerkennung auf Röntgenaufnahmen der Extremitäten sowie Bewertung der Leistung von Radiologen und Notärzten bei der Identifizierung von Frakturen der Extremitäten mit und ohne KI-Unterstützung.
Methoden
Das KI-Werkzeug wurde zuvor anhand von 132.000 Röntgenaufnahmen des appendikulären Skeletts entwickelt, aufgeteilt in 87 % Training, 11 % Validierung und 2 % Test. Die eigenständige Leistung wurde anhand von 2.626 anonymisierten Röntgenaufnahmen einer einzelnen Einrichtung in Ohio bewertet, mit mindestens 140 Untersuchungen pro Körperregion. Der Konsens von drei in den USA zertifizierten muskuloskelettalen (MSK) Radiologen diente als Referenzstandard. Es wurde eine retrospektive Multi-Reader-Studie durchgeführt, bei der 24 Gutachter (je acht Notärzte, Nicht-MSK-Radiologen und MSK-Radiologen) in 186 Fällen während zweier unabhängiger Sitzungen mit und ohne KI-Unterstützung Frakturen identifizierten, getrennt durch eine einmonatige Auswaschphase. Die Genauigkeit (Fläche unter der ROC-Kurve), Sensitivität, Spezifität und Lesezeit wurden mit und ohne Modellunterstützung verglichen.
Ergebnisse
Das Modell erreichte eine eigenständige Genauigkeit von 0,986, eine Sensitivität von 0,987 und eine Spezifität von 0,885, mit hoher Genauigkeit (> 0,95) über alle Stratifizierungen nach Körperteil, Alter, Geschlecht, Röntgenaufnahmeart und Gerätetyp hinweg. Mit KI-Unterstützung stieg die Genauigkeit der Gutachter um 0,047 (95 %-KI: 0,034–0,061; p = 0,004), und die Sensitivität verbesserte sich signifikant von 0,865 (95 %-KI: 0,848–0,881) auf 0,955 (95 %-KI: 0,944–0,964). Die durchschnittliche Lesezeit verkürzte sich um 7,1 Sekunden (27 %) pro Untersuchung. Bei Stratifizierung nach Arzttyp war diese Verbesserung bei Notärzten und Nicht-MSK-Radiologen am größten.
Schlussfolgerung
Das KI-Werkzeug zeigte eine hohe eigenständige Genauigkeit, verbesserte die diagnostische Genauigkeit der Ärzte und verkürzte die Interpretationszeit.
Mehr erfahren: Veröffentlicht in Academic Radiology
Externe Validierung eines kommerziell erhältlichen Deep-Learning-Algorithmus zur Frakturerkennung bei Kindern
Ziel
Ziel dieser Studie war die externe Validierung eines Deep-Learning-Algorithmus zur Frakturbeurteilung (Rayvolve®) anhand digitaler Röntgenaufnahmen einer realen Kohorte von Kindern, die routinemäßig in der Notaufnahme vorstellig wurden.
Methoden
Diese retrospektive Studie wurde an 2.634 Röntgenserien (5.865 Bildern) von 2.549 Kindern (1.459 Jungen, 1.090 Mädchen; Durchschnittsalter 8,5 ± 4,5 Jahre; Altersspanne: 0–17 Jahre) durchgeführt, die von der pädiatrischen Notaufnahme wegen Traumata überwiesen wurden. Für jede Serie wurde erfasst, ob eine oder mehrere Frakturen gefunden wurden, deren Anzahl sowie deren Lokalisation, wie von den leitenden Radiologen und dem Algorithmus festgestellt. Unter Verwendung der Diagnose des leitenden Radiologen als Referenzstandard wurde die diagnostische Leistung des Deep-Learning-Algorithmus (Rayvolve®) anhand von drei unterschiedlichen Ansätzen berechnet: einem Erkennungsansatz (Vorhandensein/Fehlen einer Fraktur als binäre Variable), einem Zählansatz (genaue Anzahl der erkannten Frakturen) und einem Lokalisierungsansatz (ob die erkannten Frakturen korrekt lokalisiert wurden). Subgruppenanalysen wurden nach Vorhandensein eines Gipses, Altersgruppe (0–4 vs. 5–18 Jahre) und anatomischer Region durchgeführt.
Ergebnisse
Beim Erkennungsansatz erzielte der Deep-Learning-Algorithmus eine Sensitivität von 95,7 % (95 %-KI: 94,0–96,9), eine Spezifität von 91,2 % (95 %-KI: 89,8–92,5) und eine Genauigkeit von 92,6 % (95 %-KI: 91,5–93,6). Beim Zähl- und Lokalisierungsansatz erzielte der Algorithmus für beide Ansätze eine Sensitivität von 94,1 % (95 %-KI: 92,1–95,6), eine Spezifität von 88,8 % (95 %-KI: 87,3–90,2) und eine Genauigkeit von 90,4 % (95 %-KI: 89,2–91,5). Bei den altersbezogenen Subgruppenanalysen zeigte der Algorithmus eine höhere Sensitivität und einen höheren negativen Vorhersagewert in der Altersgruppe 5–18 Jahre als in der Gruppe 0–4 Jahre, sowohl beim Erkennungsansatz (P < 0,001 und P = 0,002) als auch bei den Zähl- und Lokalisierungsansätzen (P = 0,012 und P = 0,028). Der hohe negative Vorhersagewert blieb in allen Subgruppenanalysen robust, mit Ausnahme von Patienten mit Gips (P = 0,001 für den Erkennungsansatz und P < 0,001 für die Zähl- und Lokalisierungsansätze).
Schlussfolgerung
Der Rayvolve®-Deep-Learning-Algorithmus ist sehr zuverlässig bei der Erkennung von Frakturen bei Kindern, insbesondere bei Kindern über 4 Jahren und ohne Gips.
Mehr erfahren: Veröffentlicht in Diagnostic and Interventional Imaging
Reale klinische Fälle der Röntgenanalyse mit KI
Fall 1: Pädiatrischer Ellenbogen
Das AZtrauma-Modul von Rayvolve® analysierte eine Serie von 3 Röntgenbildern eines pädiatrischen Ellenbogens zur KI-gestützten Frakturerkennung. Das Modul stufte die 3 Bilder als hochgradig verdächtig ein und wies auf den Bereich im distalen Unterarm hin, mit einer subtilen kortikalen Wölbung, die mit einer Torus-(Wulst-)Fraktur übereinstimmt – einer für Kinder typischen Verletzung. Die Befunde führten zu einer gezielten Beurteilung durch den behandelnden Arzt und unterstützten zudem eine schnelle Priorisierung der Arbeitsliste im Bildgebungsworkflow.
Dieser Fall veranschaulicht für sich genommen, wie KI bei der Frakturerkennung dazu beitragen kann, die Aufmerksamkeit auf kleine Diskontinuitäten zu lenken, die in komplexen Gelenken wie dem Ellenbogen möglicherweise nicht leicht erkennbar sind. Die KI lieferte über alle 3 Bilder hinweg konsistent eine pixelgenaue Lokalisierung des betroffenen Bereichs, was zur Bildinterpretation beitrug und die klinische Befunderstellung bei praktischer Anwendung verbessern könnte.
Fall 2: Ellenbogenerguss (Fettpolster)
Eine einzelne Ellenbogen-Röntgenaufnahme wurde mit dem AZtrauma-Modul von Rayvolve® analysiert, einem KI-System zur Frakturanalyse. Es wurde ein erhöhter Verdacht auf einen Erguss festgestellt, und zwei interessierende Bereiche wurden hervorgehoben, die sich im vorderen und hinteren Fettpolster befanden. Ein sogenanntes „Fettpolsterzeichen“ war sichtbar, das auf die Möglichkeit einer primären intraartikulären Verletzung hinweist, die häufig mit okkulten Frakturen des Ellenbogens verbunden ist.
Das KI-System zur Frakturanalyse ermöglichte es den Ärzten, indirekte Anzeichen eines Traumas zu erkennen, die mit einem Gelenkergussmuster und einer Anomalie verbunden waren, die auf der einfachen Röntgenaufnahme möglicherweise nicht sichtbar gewesen wäre. Wenn indirekte Anzeichen ohne eine eindeutige Fraktur vorliegen, können Ärzte die Beurteilung durch eine Computertomographie ergänzen. Es ist offensichtlich, dass KI eine Rolle bei der Verbesserung des diagnostischen Bewusstseins spielt, bei der Interpretation der Röntgenaufnahme hilft und die Patientenversorgung in der muskuloskelettalen Radiologie unterstützt.
Fall 3: Befunde an Schlüsselbein und Rippen
In diesem Fall führte das AZtrauma-Modul von Rayvolve® eine KI-gestützte Beurteilung einer Röntgenserie durch, die Schulter- und Thoraxaufnahmen umfasste. Das System konnte eine offensichtliche Schlüsselbeinfraktur identifizieren, die bereits bei der ersten Befundung erkannt worden war, und stellte zudem eine Rippenfraktur fest, die aufgrund der überlappenden Thoraxanatomie leicht hätte übersehen werden können.
Die automatische Lokalisierung beider Verletzungen zeigte, dass die KI-gestützte Frakturanalyse ein „zweites Augenpaar“ bietet, das dazu beiträgt, das diagnostische Vertrauen zu stärken, dem Radiologen hilft, nach der Erkennung einer offensichtlichen Fraktur gründlicher vorzugehen, und das Risiko verringert, solche Befunde zu übersehen. Dieser Fall veranschaulicht die Fähigkeit der KI, Radiologen dabei zu unterstützen, mehrere Verletzungen in einer einzigen Untersuchung zu identifizieren, während gleichzeitig die Genauigkeit potenziell erhöht und eine zuverlässige und konsistente Effizienz unterstützt wird.
Frequently asked questions
Kann KI Frakturen erkennen?
Ja, KI kann Frakturen anhand medizinischer Bilder, einschließlich Röntgenaufnahmen, erkennen. Einige KI-gestützte Lösungen wie AZtrauma basieren auf Deep-Learning-Modellen, die anhand riesiger Datenmengen trainiert wurden, um Frakturen, Luxationen und Gelenkergüsse zu identifizieren. Studien, die in diesem Jahr auf dem RSNA vorgestellt wurden, zeigen, dass KI Frakturen genauer erkennen kann als herkömmliche Methoden, und dazu beitragen kann, übersehene Diagnosen zu vermeiden.
Wie wird KI in der Röntgendiagnostik eingesetzt?
KI unterstützt Radiologen, indem sie bei der Analyse von Röntgenbildern hilft, um Anomalien wie Frakturen zu erkennen. Dies geschieht durch KI-Algorithmen, die darauf trainiert sind, Muster aus Millionen annotierter Bilder zu erkennen, wie etwa Frakturen und kritische Fälle, sowie potenzielle diagnostische Erkenntnisse, die Rayvolve® innerhalb von Sekunden liefern kann. Dies erhöht die Effizienz des Arbeitsablaufs, senkt die diagnostische Fehlerrate und unterstützt die klinische Entscheidungsfindung.
Wird KI Radiologen ersetzen?
Nein, Radiologen werden nicht durch KI ersetzt. Vielmehr fungiert sie als unterstützendes Werkzeug, das die diagnostische Sicherheit erhöht und die Arbeitsbelastung verringert, insbesondere in stark ausgelasteten klinischen Umgebungen. KI kann Frakturen und andere Anomalien schnell erkennen, doch die Interpretationen und endgültigen Entscheidungen bleiben Aufgabe der Ärzte.
Ist KI genauer als Radiologen?
Untersuchungen haben gezeigt, dass der Einsatz von KI die Wahrscheinlichkeit erhöht, Frakturen zu erkennen, die sonst übersehen würden. Die auf dem RSNA vorgestellten Studien zeigten, dass KI-unterstützte Radiologen eine höhere Genauigkeit erzielten als Radiologen, die alleine arbeiteten. Eine Studie von SimonMed Imaging ergab, dass die Frakturerkennungsrate von 10,4 % (ohne KI) auf 11,8 % (mit KI) stieg und die durchschnittliche Befundzeit dank KI-Unterstützung von 48 Stunden auf 8,3 Stunden sank. Die beste Leistung wurde jedoch erzielt, wenn KI in Kombination mit Radiologen eingesetzt wurde, nicht als Ersatz für sie.
Was unterscheidet AZtrauma von anderen KI-gestützten Lösungen zur Frakturerkennung?
AZtrauma zeichnet sich dadurch aus, dass es klinisch validiert ist und sowohl die FDA-Zulassung als auch die CE-Kennzeichnung erhalten hat, wodurch die erforderlichen regulatorischen Standards erfüllt werden. Es wurde anhand eines der größten Röntgenbild-Datensätze trainiert, die von erfahrenen Radiologen annotiert wurden. Während sich einige KI-Modelle nur auf Frakturen konzentrieren, erkennt AZtrauma auch Luxationen und Gelenkergüsse, was es zu einer präziseren diagnostischen Lösung macht. AZtrauma lässt sich nahtlos in bestehende medizinische Bildgebungssysteme integrieren, um einen reibungslosen Ablauf in der Radiologie zu gewährleisten. In realen Umgebungen, wie etwa den SimonMed Imaging Centers, hat sich gezeigt, dass es die Bearbeitungszeiten verkürzt und die Erkennungsraten erhöht, was seine Zuverlässigkeit bestätigt.
Welche KI ist die beste für die Frakturerkennung auf Röntgenbildern?
Laut den aktuellsten vergleichenden klinischen Erkenntnissen aus dem Radiography Journal steht die Fraktur-Erkennungs-KI von AZmed (kommerziell als AZtrauma bekannt) auf einer Stufe mit dem am besten getesteten KI-Werkzeug zur Erkennung muskuloskelettaler Frakturen auf Röntgenbildern, einschließlich schwieriger Fälle mit Metallimplantaten und multiplen Frakturen.
Regulatory information
USA – Medizinisches Gerät der Klasse II gemäß der 510K-Zulassung. Rayvolve ist eine Software zur computerunterstützten Erkennung und Diagnose (CAD), die Radiologen und Notärzte bei der Erkennung von Frakturen bei der Überprüfung von Röntgenbildern des Bewegungsapparates unterstützt. Rayvolve ist für Erwachsene und Kinder (≥ 2 Jahre) geeignet. Rayvolve PTX/PE: ist eine softwaregestützte Triage- und Benachrichtigungssoftware, die Röntgenbilder von Brustaufnahmen von Patienten ab 18 Jahren auf das Vorhandensein von vorab festgelegten kritischen Befunden (Pleuraerguss und/oder Pneumothorax) analysiert. Rayvolve LN: ist eine computergestützte Detektionssoftware, die Radiologen dabei hilft, verdächtige Regionen im Zusammenhang mit pulmonalen Knoten von 6 bis 30 mm Größe bei Patienten ab 18 Jahren zu identifizieren und zu markierenEU – Rayvolve: Medizinisches Gerät der Klasse IIa in Europa (CE 2797) gemäß der Verordnung über Medizinprodukte (2017/745). Rayvolve ist ein computergestütztes Diagnosewerkzeug, das Radiologen und Notärzten helfen soll, Anomalien auf Standard-Röntgenbildern zu erkennen und zu lokalisieren.USA - Rayscan ist noch nicht von der U.S. Food and Drug Administration (FDA) zugelassen oder genehmigt und daher noch nicht für den Verkauf in den Vereinigten Staaten verfügbar.EU – Rayscan: Medizinisches Gerät der Klasse IIa in Europa (CE 2797) gemäß der Verordnung über Medizinprodukte (2017/745). Rayscan ist eine computergestützte Diagnosesuite, die geschulten medizinischen Fachkräften bei der Interpretation von CT-Scans helfen soll.Warnhinweis: Die genannten Daten stammen aus internen Dokumenten, internen Studien und Literaturübersichten. Dieses Material mit zugehörigen Bildern ist nicht vertraglich bindend. Es ist nur für die Verteilung an medizinisches Fachpersonal bestimmt und sollte von anderen Personen nicht verwendet werden. Die Meinung spiegelt die Ansicht von medizinischem Fachpersonal wider, nicht die Meinung von AZmed. Lesen Sie vor der Verwendung sorgfältig die Gebrauchsanweisung. Weitere Informationen finden Sie in unserer Datenschutzerklärung auf unserer Website. Für weitere Informationen kontaktieren Sie bitte contact@azmed.co.AZmed, 10 rue d'Uzès, 75002 Paris, www.azmed.co, RCS Laval B 841 673 601© 2026 AZmed – Alle Rechte vorbehalten. MM-25-48
