KI-gestütze Pneumokoniose-Diagnostik in Röntgen- und CT-Bildern der Lunge

Projektkürzel: IPA-211-KI-ICOERD

Projektlaufzeit: 2026 -2028

Deskriptoren: Arbeitsbedingte Erkrankungen, KI, Radiologie

Ziel

Machbarkeitsstudie zur Entwicklung einer Deep-Learning-basierten KI zur Unterstützung der standardisierten Pneumokoniose-Klassifikation in Röntgen- und CT-Bildern der Lunge. Ziel ist es, die aufwendige Diagnose und Einstufung von staubassoziierten Lungenerkrankungen wie Asbestose und Silikose zu unterstützen und etablierte Verfahren zu vereinfachen.

Ausgangssituation

In der nachgehenden Vorsorge bestehen weiterhin relevante Fallzahlen an Pneumokoniosen. Gleichzeitig nimmt die Zahl der Radiologinnen und Radiologen mit entsprechender Expertise und Bereitschaft zur Mitwirkung an der Bildgebung ab.

Studiendesign

In Kooperation mit der Bioinformatik der Ruhr-Universität Bochum und der Gesundheitsvorsorge (GVS) wird geprüft, ob eine KI entwickelt und trainiert werden kann, die standardisierte Pneumokoniose-Klassifikationen für Röntgen- und CT-Bilder der Lunge automatisiert vornimmt.

Grundlage bilden rund 60.000 Röntgen- und 15.000 CT-Bilder aus der GVS-Datenbank mit zugehörigen ILO- (International Labor Organization) und ICOERD- (International Classification for Occupational and Environmental Respiratory Diseases) Klassifikationen, darunter hochwertige Bild-Befund-Paare erfahrener Zweitbeurteiler. Die vollständig anonymisierten Daten werden in einer geschützten, lokal begrenzten Umgebung zur KI-Entwicklung genutzt. Die Ergebnisse werden anschließend an einem Validierungsdatensatz mit Befunden von Expertinnen und Experten überprüft.