{"paper_id":"2665fb8d-be25-46e5-9764-a572797127be","body_text":"DOI: 10.1055/s-0046-1817646\nKI-gestützte Erkennung von Endometriose in der MRT\nAuthors\nZielsetzung Die MRT ist das zentrale Verfahren zur nicht-invasiven Diagnostik der Endometriose, doch die variablen Signal- und Morphologiemuster erschweren die Beurteilung, insbesondere bei geringer Befundungserfahrung. Ziel dieser Studie ist die Entwicklung eines Deep-Learning-Modells, das bei der Erkennung von Endometriose in Becken-MRT-Aufnahmen unterstützt.\nMaterial und Methoden Es wurden retrospektiv MRT-Datensätze von 497 Patientinnen analysiert (261 mit, 236 ohne Endometriose). Die Ground Truth wurde anhand des Befundes erfahrener Radiologen festgelegt. Es wurden T2-gewichtete sagittale und axiale Sequenzen sowie T1-gewichtete axiale Aufnahmen mit Fettsättigung verwendet. Das auf DenseNet-121 basierende Modell wurde mit dem MONAI-Framework trainiert und im Verhältnis 70:15:15 in Trainings-, Validierungs- und Testgruppen unterteilt. Die Performance wurde anhand von Loss, AUC, Accuracy, Precision, Recall und F1-Score bewertet.\nErgebnisse Das Modell erreichte im Testdatensatz eine AUC von 0,78. Endometriose kann bei einer Recall (Sensitivität) von 0,96 zuverlässig detektiert werden, die eingeschränkte Precision (Genauigkeit) von 0,59 und Spezifität von 0,28 deuten jedoch auf eine hohe falsch-positiven-Rate hin.\nSchlussfolgerungen Diese Studie zeigt, dass die KI-gestützte Klassifikation tief infiltrierender Endometriose (TIE) im MRT möglich ist und eine hohe Sensitivität liefert. Die derzeit noch geringe Spezifität könnte mit Optimierungsschritten, wie Erweiterung des Datensatzes und gezielter Vorverarbeitungsschritten verbessert werden. Eine automatisierte Endometriose-Bewertung könnte die Befundung standardisieren, als Second-Reader-System dienen und insbesondere in Zentren ohne subspezialisierte Radiologinnen und Radiologen hilfreich sein.\nPublication History\nArticle published online:\n22 April 2026\n© 2026. Thieme. All rights reserved.\nGeorg Thieme Verlag KG\nOswald-Hesse-Straße 50, 70469 Stuttgart, Germany","source_license":"CC0","license_restricted":false}