Clinical/methodical issue: Multiple myeloma can affect the complete skeleton, which makes whole-body imaging necessary. With the current assessment of these complex datasets by radiologists, only a small part of the accessible information is assessed and reported.
Standard radiological methods: Depending on the question and availability, computed tomography (CT), magnetic resonance imaging (MRI), or positron emission tomography (PET) is performed and the results are then visually examined by radiologists.
Methodological innovations: A combination of automatic skeletal segmentation using artificial intelligence and subsequent radiomics analysis of each individual bone have the potential to provide automatic, comprehensive, and objective skeletal analyses.
Performance: A few automatic skeletal segmentation algorithms for CT already show promising results. In addition, first studies indicate correlations between radiomics features of bone and bone marrow with established disease markers and therapy response.
Achievements: Artificial intelligence (AI) and radiomics algorithms for automatic skeletal analysis from whole-body imaging are currently in an early phase of development.
Zusammenfassung: KLINISCHES/METHODISCHES PROBLEM: Das Multiple Myelom kann mit Prädisposition des Axialskeletts das gesamte Skelettsystem betreffen, folglich kommen Ganzkörperbildgebungsverfahren zum Einsatz. Bei der aktuellen Auswertung dieser komplexen Datensätze durch Radiologen kann nur ein Teil der tatsächlich enthaltenen Bildinformation erfasst und im Befund festgehalten werden.
Radiologische standardverfahren: Je nach Fragestellung und Verfügbarkeit kommen Ganzkörperbildgebungen mittels Computertomographie (CT), Magnetresonanztomographie (MRT) oder Positronen-Emissions-Tomographie (PET) zur Anwendung und werden visuell durch Radiologen ausgewertet.
Methodische innovation: Eine Kombination aus automatischer Skelettsegmentierung mittels künstlicher Intelligenz (KI) und nachfolgender Radiomics-Analyse jedes einzelnen Knochens hat das Potenzial, automatische, umfassende sowie objektive Skelettanalysen zu ermöglichen. LEISTUNGSFäHIGKEIT: Für CT-Bildgebungen zeigen einige Algorithmen zur automatischen Skelettsegmentierung bereits vielversprechende Ergebnisse. Auch gibt es erste Arbeiten, die Zusammenhänge von Radiomics-Parametern des Knochens und Knochenmarks mit etablierten Krankheitsparametern oder dem Therapieansprechen andeuten.
Bewertung: KI- und Radiomics-Algorithmen zur automatischen Skelettanalyse aus Ganzkörperbildgebungen sind derzeit in einer frühen Entwicklungsphase.
Keywords: Bone marrow; Image analysis; Multiple myeloma; Scan reading; Skeleton.
© 2021. The Author(s), under exclusive licence to Springer Medizin Verlag GmbH, ein Teil von Springer Nature.