Abstract
Hand- en polsletsels behoren tot de meest voorkomende letsels in alle leeftijdsgroepen en vormen
een grote belasting voor individu en samenleving. Van alle hand- en polsletsels zijn breuken
(fracturen) in het scafoïd een van de meest voorkomende en moeilijk te diagnosticeren letsels, omdat
ze slecht zichtbaar zijn op initiële röntgenfoto's. Als de diagnose te laat wordt gesteld, dan kunnen ze
leiden tot ernstige gewrichtsslijtage. Het gevolg is dat de fracturen uit voorzorg structureel worden
overbehandeld om deze complicaties te voorkomen. Scafoïdbreuken leiden dan ook tot hoge
zorgkosten en verminderen de kwaliteit van leven. In dit proefschrift onderzoeken we of kunstmatige
intelligentie (AI) kan worden ingezet om artsen te assisteren bij de diagnose van scafoïdfracturen en
bijbehorende gewrichtsinstabiliteit op initiële röntgenfoto’s van de hand en pols.
In Hoofdstuk 2 presenteren we een AI-systeem dat convolutionele neurale netwerken (CNN's)
gebruikt voor de automatische detectie van scafoïdfracturen in frontale röntgenfoto’s. Dit systeem
detecteert en analyseert het scafoïd en geeft een zekerheidsscore of er een fractuur aanwezig is. Het
markeert ook gebieden in de foto waarop de beslissing is gebaseerd. Het systeem werd getraind met
röntgenfoto's van het Radboud Universitair Medisch Centrum (Radboudumc) en gevalideerd op
röntgenfoto’s uit het Jeroen Bosch Ziekenhuis (JBZ). Het systeem bleek net zo goed scafoïdfracturen
te detecteren als 11 radiologen en heeft potentie om artsen in de klinische praktijk te assisteren.
In Hoofdstuk 3 (intermezzo) reflecteren we op de impact van de COVID-19-pandemie en
beschrijven we een AI-systeem voor de automatische triage van vermoedelijke COVID-19-patiënten.
Het AI-systeem analyseert de longen op een thorax CT-scan om de waarschijnlijkheid en ernst van
een COVID-19 infectie te bepalen. Het systeem werd getraind en gevalideerd met scans van het
Radboudumc en Canisius-Wilhelmina Ziekenhuis. De beoordelingen van de AI bleken nauw overeen
te komen met die van acht radiologen, wat het potentieel van AI laat zien om wereldwijde
gezondheidscrises aan te pakken die verder gaan dan orthopedisch letsel.
In Hoofdstuk 4 introduceren we een nieuw AI-systeem dat scafoïdbreuken detecteert vanuit
meerdere opnamerichtingen. Het systeem is gebaseerd op CNN’s en geeft een zekerheidsscore per
anatomisch deel van het scafoïd om potentiële breuken nog nauwkeuriger te lokaliseren. We hebben
de dataset van röntgenfoto’s van het Radboudumc eerst herzien en uitgebreid. Vervolgens hebben
we het systeem gevalideerd op röntgenfoto’s uit het JBZ. De prestaties van het systeem waren
vergelijkbaar met die van ervaren musculoskeletale (MSK) radiologen. Daarnaast bleek dat AIassistentie de leestijden en consistentie van de beoordelingen verbeterde onder de radiologen. Hun
diagnostische nauwkeurigheid verbeterde niet significant, wat suggereert dat het AI-systeem het
meest geschikt is als diagnostisch hulpmiddel voor minder ervaren artsen.
In Hoofdstuk 5 presenteren we een AI-systeem voor het meten en detecteren van tekenen van
carpale instabiliteit op röntgenopnamen van de hand en pols. Door gebruik te maken van CNN's en
statistische modellen, kan dit systeem metingen verrichten volgens de huidige klinische richtlijnen.
Deze metingen omvatten de scapholunaire afstand, scapholunaire en capitolunaire hoek, en de
carpale bogen van Gilula. Het systeem werd ontwikkeld met röntgenfoto's uit zowel Radboudumc als
JBZ en werd gevalideerd op foto’s uit het Ziekenhuis Gelderse Vallei (ZGV). De nauwkeurigheid van de
geautomatiseerde metingen waren grotendeels vergelijkbaar met die van artsen met verschillende
specialismen, terwijl het systeem onderbrekingen in de carpale bogen beter herkende. Het systeem
zou daarom mogelijk ondersteuning kunnen bieden in de vroege detectie en behandeling van carpale
instabiliteit.
In Hoofdstuk 6 bespreken we de bijdragen van het proefschrift en doen we suggesties voor
vervolgonderzoek. Er is momenteel nog weinig onderzoek verricht naar automatische
fractuurdetectie in alle polsbotten. Een belangrijke oorzaak hiervan is het gebrek aan publieke
datasets voor het ontwikkelen van AI-systemen. Verder benadrukken we het belang van het
integreren van de onderzochte algoritmen in één systeem, wat sterk zal bijdragen aan de valorisatie
van de verworven onderzoeksbevindingen in de klinische praktijk.
_
Injuries of the hand and wrist belong to the most common injuries in all age groups and impose a
large burden on individuals and society. From all hand and wrist injuries, fractures in the scaphoid
bone are among the most common and challenging injuries to diagnose due to their subtle
presentation on initial radiographs. If not timely diagnosed, these fractures can lead to severe joint
degeneration. Consequently, they are structurally overtreated out of precaution. These fractures lead
to substantial healthcare costs and diminish the affected individual’s quality of life. This thesis
proposes the use of artificial intelligence (AI) to assist physicians in the diagnosis of scaphoid
fractures and associated wrist joint (carpal) instability on initial hand and wrist radiographs.
In Chapter 2, we present the development and validation of an AI system that uses convolutional
neural networks (CNNs) for the automated detection of scaphoid fractures in conventional frontal
view radiographs. This system first identifies the contours of the scaphoid, isolates the region for
analysis, and then provides a confidence score for the presence of a fracture. It also highlights image
regions that were relevant to its decision. The system was trained with radiographs from the Radboud
University Medical Center (Radboudumc) and was validated on radiographs from the Jeroen Bosch
Hospital (JBZ). The system was found to detect scaphoid fractures just as well as 11 radiologists,
which shows its potential to assist physicians in clinical practice.
In Chapter 3 (interlude), we reflect on the impact of the COVID-19 pandemic and describe a
collaborative effort of the DIAG research group to develop an AI system for the automated triage of
suspected COVID-19 patients. This system analyses a chest CT scan to assess the likelihood of COVID19 and the extent of pulmonary involvement. It was trained and validated with scans from
Radboudumc and the Canisius-Wilhelmina Hospital. The assessments of the AI system were found to
closely align with those of eight radiologists, which illustrates the capability of AI in addressing
emergent global health crises that go beyond orthopaedic injuries.
In Chapter 4, we introduce a new AI system designed for the detection of scaphoid fractures using
multiple radiographic views of the wrist. This CNN-based system gives a fracture score per anatomical
region to localize potential fractures with even greater precision. We expanded and revised the
dataset of radiographs from Radboudumc and then validated the system on radiographs from JBZ.
We found that the system’s performance was comparable to that of experienced musculoskeletal
(MSK) radiologists, and that AI-assistance improved reading times and consistency of the assessments
among the radiologists. The system did not significantly increase their diagnostic accuracy, which
suggests it has most value as a diagnostic aid for less experienced practitioners.
In Chapter 5, we present an AI system for measuring and detecting signs of carpal instability on
hand and wrist radiographs. By using CNNs and statistical models, this system provides
measurements that are in line with clinical guidelines. These measurements included the
scapholunate distance, scapholunate and capitolunate angle, and carpal arcs of Gilula. The system
was developed with radiographs from both Radboudumc and JBZ and was validated on radiographs
from Hospital Gelderse Vallei (ZGV). We found that the accuracy of the automated measurements
was largely comparable to that of clinicians with different specialties, while it displayed better
performance in identifying disruptions in carpal alignment. Therefore, the system may facilitate early
detection and treatment of carpal instability, and potentially prevent long-term joint damage.
In the concluding Chapter 6, we synthesize the thesis’s contributions and suggest future research
directions. Currently, automated fracture detection in all carpal bones remains understudied and
there is a lack of public datasets for the development and validation of wrist fracture detection
systems. Furthermore, we underline the importance of integrating the investigated AI systems into a
single computer aided detection system for clinical practice, which will greatly contribute to the
valorization of the acquired research findings.
een grote belasting voor individu en samenleving. Van alle hand- en polsletsels zijn breuken
(fracturen) in het scafoïd een van de meest voorkomende en moeilijk te diagnosticeren letsels, omdat
ze slecht zichtbaar zijn op initiële röntgenfoto's. Als de diagnose te laat wordt gesteld, dan kunnen ze
leiden tot ernstige gewrichtsslijtage. Het gevolg is dat de fracturen uit voorzorg structureel worden
overbehandeld om deze complicaties te voorkomen. Scafoïdbreuken leiden dan ook tot hoge
zorgkosten en verminderen de kwaliteit van leven. In dit proefschrift onderzoeken we of kunstmatige
intelligentie (AI) kan worden ingezet om artsen te assisteren bij de diagnose van scafoïdfracturen en
bijbehorende gewrichtsinstabiliteit op initiële röntgenfoto’s van de hand en pols.
In Hoofdstuk 2 presenteren we een AI-systeem dat convolutionele neurale netwerken (CNN's)
gebruikt voor de automatische detectie van scafoïdfracturen in frontale röntgenfoto’s. Dit systeem
detecteert en analyseert het scafoïd en geeft een zekerheidsscore of er een fractuur aanwezig is. Het
markeert ook gebieden in de foto waarop de beslissing is gebaseerd. Het systeem werd getraind met
röntgenfoto's van het Radboud Universitair Medisch Centrum (Radboudumc) en gevalideerd op
röntgenfoto’s uit het Jeroen Bosch Ziekenhuis (JBZ). Het systeem bleek net zo goed scafoïdfracturen
te detecteren als 11 radiologen en heeft potentie om artsen in de klinische praktijk te assisteren.
In Hoofdstuk 3 (intermezzo) reflecteren we op de impact van de COVID-19-pandemie en
beschrijven we een AI-systeem voor de automatische triage van vermoedelijke COVID-19-patiënten.
Het AI-systeem analyseert de longen op een thorax CT-scan om de waarschijnlijkheid en ernst van
een COVID-19 infectie te bepalen. Het systeem werd getraind en gevalideerd met scans van het
Radboudumc en Canisius-Wilhelmina Ziekenhuis. De beoordelingen van de AI bleken nauw overeen
te komen met die van acht radiologen, wat het potentieel van AI laat zien om wereldwijde
gezondheidscrises aan te pakken die verder gaan dan orthopedisch letsel.
In Hoofdstuk 4 introduceren we een nieuw AI-systeem dat scafoïdbreuken detecteert vanuit
meerdere opnamerichtingen. Het systeem is gebaseerd op CNN’s en geeft een zekerheidsscore per
anatomisch deel van het scafoïd om potentiële breuken nog nauwkeuriger te lokaliseren. We hebben
de dataset van röntgenfoto’s van het Radboudumc eerst herzien en uitgebreid. Vervolgens hebben
we het systeem gevalideerd op röntgenfoto’s uit het JBZ. De prestaties van het systeem waren
vergelijkbaar met die van ervaren musculoskeletale (MSK) radiologen. Daarnaast bleek dat AIassistentie de leestijden en consistentie van de beoordelingen verbeterde onder de radiologen. Hun
diagnostische nauwkeurigheid verbeterde niet significant, wat suggereert dat het AI-systeem het
meest geschikt is als diagnostisch hulpmiddel voor minder ervaren artsen.
In Hoofdstuk 5 presenteren we een AI-systeem voor het meten en detecteren van tekenen van
carpale instabiliteit op röntgenopnamen van de hand en pols. Door gebruik te maken van CNN's en
statistische modellen, kan dit systeem metingen verrichten volgens de huidige klinische richtlijnen.
Deze metingen omvatten de scapholunaire afstand, scapholunaire en capitolunaire hoek, en de
carpale bogen van Gilula. Het systeem werd ontwikkeld met röntgenfoto's uit zowel Radboudumc als
JBZ en werd gevalideerd op foto’s uit het Ziekenhuis Gelderse Vallei (ZGV). De nauwkeurigheid van de
geautomatiseerde metingen waren grotendeels vergelijkbaar met die van artsen met verschillende
specialismen, terwijl het systeem onderbrekingen in de carpale bogen beter herkende. Het systeem
zou daarom mogelijk ondersteuning kunnen bieden in de vroege detectie en behandeling van carpale
instabiliteit.
In Hoofdstuk 6 bespreken we de bijdragen van het proefschrift en doen we suggesties voor
vervolgonderzoek. Er is momenteel nog weinig onderzoek verricht naar automatische
fractuurdetectie in alle polsbotten. Een belangrijke oorzaak hiervan is het gebrek aan publieke
datasets voor het ontwikkelen van AI-systemen. Verder benadrukken we het belang van het
integreren van de onderzochte algoritmen in één systeem, wat sterk zal bijdragen aan de valorisatie
van de verworven onderzoeksbevindingen in de klinische praktijk.
_
Injuries of the hand and wrist belong to the most common injuries in all age groups and impose a
large burden on individuals and society. From all hand and wrist injuries, fractures in the scaphoid
bone are among the most common and challenging injuries to diagnose due to their subtle
presentation on initial radiographs. If not timely diagnosed, these fractures can lead to severe joint
degeneration. Consequently, they are structurally overtreated out of precaution. These fractures lead
to substantial healthcare costs and diminish the affected individual’s quality of life. This thesis
proposes the use of artificial intelligence (AI) to assist physicians in the diagnosis of scaphoid
fractures and associated wrist joint (carpal) instability on initial hand and wrist radiographs.
In Chapter 2, we present the development and validation of an AI system that uses convolutional
neural networks (CNNs) for the automated detection of scaphoid fractures in conventional frontal
view radiographs. This system first identifies the contours of the scaphoid, isolates the region for
analysis, and then provides a confidence score for the presence of a fracture. It also highlights image
regions that were relevant to its decision. The system was trained with radiographs from the Radboud
University Medical Center (Radboudumc) and was validated on radiographs from the Jeroen Bosch
Hospital (JBZ). The system was found to detect scaphoid fractures just as well as 11 radiologists,
which shows its potential to assist physicians in clinical practice.
In Chapter 3 (interlude), we reflect on the impact of the COVID-19 pandemic and describe a
collaborative effort of the DIAG research group to develop an AI system for the automated triage of
suspected COVID-19 patients. This system analyses a chest CT scan to assess the likelihood of COVID19 and the extent of pulmonary involvement. It was trained and validated with scans from
Radboudumc and the Canisius-Wilhelmina Hospital. The assessments of the AI system were found to
closely align with those of eight radiologists, which illustrates the capability of AI in addressing
emergent global health crises that go beyond orthopaedic injuries.
In Chapter 4, we introduce a new AI system designed for the detection of scaphoid fractures using
multiple radiographic views of the wrist. This CNN-based system gives a fracture score per anatomical
region to localize potential fractures with even greater precision. We expanded and revised the
dataset of radiographs from Radboudumc and then validated the system on radiographs from JBZ.
We found that the system’s performance was comparable to that of experienced musculoskeletal
(MSK) radiologists, and that AI-assistance improved reading times and consistency of the assessments
among the radiologists. The system did not significantly increase their diagnostic accuracy, which
suggests it has most value as a diagnostic aid for less experienced practitioners.
In Chapter 5, we present an AI system for measuring and detecting signs of carpal instability on
hand and wrist radiographs. By using CNNs and statistical models, this system provides
measurements that are in line with clinical guidelines. These measurements included the
scapholunate distance, scapholunate and capitolunate angle, and carpal arcs of Gilula. The system
was developed with radiographs from both Radboudumc and JBZ and was validated on radiographs
from Hospital Gelderse Vallei (ZGV). We found that the accuracy of the automated measurements
was largely comparable to that of clinicians with different specialties, while it displayed better
performance in identifying disruptions in carpal alignment. Therefore, the system may facilitate early
detection and treatment of carpal instability, and potentially prevent long-term joint damage.
In the concluding Chapter 6, we synthesize the thesis’s contributions and suggest future research
directions. Currently, automated fracture detection in all carpal bones remains understudied and
there is a lack of public datasets for the development and validation of wrist fracture detection
systems. Furthermore, we underline the importance of integrating the investigated AI systems into a
single computer aided detection system for clinical practice, which will greatly contribute to the
valorization of the acquired research findings.
| Original language | English |
|---|---|
| Award date | 17 May 2024 |
| DOIs | |
| Publication status | Published - 17 May 2024 |