Diese retrospektive Studie erhielt die Genehmigung des Institutional Review Board der Kyonggi University (KGU-20230216-HR-098). Alle Methoden folgten den ethischen Prinzipien der Deklaration von Helsinki. Die in dieser Studie verwendeten Daten wurden anonymisiert, um die persönlichen Informationen der Patienten zu schützen. Daher sah das Institutional Review Board der Kyonggi University von der Notwendigkeit einer informierten Zustimmung ab. In dieser Studie wurde der künstliche Intelligenz-Trainingsdatensatz der National Information Society Agency für die Diagnose und Überwachung von Fuß- und Sprunggelenkskrankheiten verwendet. Der Datensatz umfasst multi-modale Daten, einschließlich Ganganalyse-Daten, zweidimensionale und dreidimensionale Röntgenbilder und Gangvideos von insgesamt 4.000 Patienten.
Die Patienten, die eine Totalgelenkersatzoperation oder eine Knöchelarthrodese durchgeführt hatten, wurden aus dem Datensatz ausgeschlossen. Daher wurden 3.960 seitliche Röntgenaufnahmen vom linken oder rechten Fuß verwendet, um ein Deep-Learning-Modell zu erstellen und dessen Leistung zu bewerten. Es wurden zwei separate Datensätze ohne überlappende Proben vorbereitet, um eine klare Abgrenzung zwischen der Modellentwicklung und der Leistungsbewertung sicherzustellen. Ein Datensatz wurde für die Entwicklung von Deep Learning-Algorithmen und ein anderer für die Validierung der diagnostischen Wirksamkeit des entwickelten Systems verwendet. Zur Entwicklung des Deep Learning-Modells wurden die Radiographien vom Digital Imaging and Communications in Medicine (DICOM)-Format in das Joint Photographic Experts Group (JPEG)-Format umgewandelt. Die umgewandelten Bilder hatten eine durchschnittliche Auflösung von 2100 x 1800 Pixel, und alle Bilder wurden vor dem Training und der Implementierung des Algorithmus anonymisiert.
Das entwickelte System zur automatischen Messung der Meary-Winkel und der Kalkanealneigung basiert auf drei verschiedenen Stufen: ROI-Erkennung, Segmentierung und Erkennung der Landmarken. Diese Stufen werden verwendet, um die Winkel anhand von Röntgenbildern des seitlichen Fußes automatisch zu berechnen. Die Leistung der entwickelten Systeme wurde anhand mehrerer Metriken wie mAP, Dice-Wert und Genauigkeit der Landmarkenerkennung bewertet. Statistische Analysen wurden durchgeführt, um die Zuverlässigkeit und Präzision der automatisch berechneten radiographischen Parameter zu bestimmen und die diagnostischen Fähigkeiten des vorgeschlagenen Systems zur Messung des Plattfußwinkels zu bewerten.