Deep‑Learning‑Modell erkennt Appendizitis bei Kindern aus Ultraschallbildern

Ein neues Deep‑Learning‑Modell, das auf der vortrainierten ResNet‑Architektur basiert, kann Appendizitis bei Kindern zuverlässig aus Ultraschallbildern erkennen. Die Studie nutzt den Regensburg Pediatric Appendicitis Dataset, der Ultraschallaufnahmen, Laborwerte und klinische Scores von Kindern mit Bauchschmerzen enthält. Für jeden Patienten wurden ein bis fünfzehn Ultraschall‑Ansichten des rechten Unterbauchs, des Blinddarms, der Lymphknoten und angrenzender Strukturen aufgenommen.

Durch gezielte Vorverarbeitung – Normalisierung, Größenanpassung und Datenaugmentation – wurde die Generalisierung des Modells verbessert. Das feinabgestimmte ResNet zeigte eine Gesamtgenauigkeit von 93,44 %, eine Präzision von 91,53 % und eine Sensitivität von 89,8 %. Damit übertrifft es herkömmliche diagnostische Verfahren und demonstriert, dass das Modell auch bei niedriger Kontraststärke, Streu‑Rauschen und anatomischer Variabilität robuste Merkmale extrahieren kann.

Die Ergebnisse deuten darauf hin, dass KI‑gestützte Bildanalyse ein vielversprechendes Werkzeug für die schnelle und genaue Diagnose von Appendizitis bei Kindern sein kann, was die Behandlungseffizienz und die Patientenversorgung verbessert.