Generative Artificial Intelligence for Opportunistic Osteoporosis Screening Using Lumbar Spine Imaging: Diagnostic Performance, Reproducibility, Effects of Few-Shot Prompting, and Comparison with Physicians

Technisches Resümee: Generative KI für das opportunistische Osteoporose-Screening

Problemstellung
Osteoporose bleibt trotz der Verfügbarkeit wirksamer Therapien und der routinemäßigen Erfassung von Lendenwirbelsäulen-Röntgenaufnahmen und Computertomographien (CT) zu anderen Indikationen signifikant unterdiagnostiziert und untertherapiert. Obwohl die Dual-Energy-Röntgen-Absorptiometrie (DXA) der Goldstandard für die Diagnose ist, unterziehen sich viele Patienten im Rahmen der Routineversorgung keiner Knochenmineraldichtemessung (BMD). Zwar bilden Ärzte intuitive Eindrücke von der Knochenqualität aus Wirbelsäulenbildern, doch frühere Studien zeigen, dass die Genauigkeit solcher visuellen Einschätzungen selbst bei erfahrenen Orthopäden nur moderat ist. Während Deep-Learning-Algorithmen vielversprechende Ergebnisse gezeigt haben, erfordern sie eine aufgabenspezifische Entwicklung. Im Gegensatz dazu bietet multimodale generative Künstliche Intelligenz (KI) eine weit zugängliche Alternative, die in der Lage ist, medizinische Bilder ohne dediziertes Modelltraining zu interpretieren. Die diagnostische Leistungsfähigkeit dieser Modelle für das opportunistische Osteoporose-Screening, ihre Reproduzierbarkeit und die Auswirkungen von „Few-Shot“-Prompting (Bereitstellung von Beispielfällen zur Orientierung der Antworten) sind jedoch noch unzureichend erforscht.

Methodik
Diese bildbasierte Vergleichsstudie evaluierte die diagnostische Leistung multimodaler generativer KI im Vergleich zu Ärzten unter Verwendung eines Datensatzes von 45 lateralen Lendenwirbelsäulen-Röntgenaufnahmen und 45 sagittalen rekonstruierten Lendenwirbelsäulen-CT-Bildern.

• Referenzstandard: Osteoporose und niedrige Knochenmasse wurden anhand der WHO-DXA-T-Score-Schwellenwerte von −2,5 bzw. −1,0 definiert.
• Teilnehmer:
  • Ärzte: 42 Fachärzte für Orthopädie und 50 nicht-spezialisierte Ärzte (Daten aus einer vorangegangenen Studie).
  • KI-Modelle: Drei öffentlich verfügbare multimodale generative KI-Systeme: ChatGPT (OpenAI, GPT-5, Zugriff im Januar 2026), Claude 4 Opus und Gemini 3.1 Pro.
• Evaluationsprotokoll:
  • Zero-Shot vs. Few-Shot: Die KI-Modelle evaluierten die Bilder unter Zero-Shot-Bedingungen (nur Instruktionen) und unter Few-Shot-Bedingungen (bereitgestellt mit 20 beschrifteten Referenzfällen einschließlich Bildern, Klassifizierungen und YAM-Werten).
  • Reproduzierbarkeit: Jedes KI-Modell evaluierte den gesamten Datensatz fünfmal in unabhängigen Chat-Sitzungen. Die endgültige Klassifizierung wurde durch Mehrheitsentscheid (≥3 von 5 Antworten) bestimmt.
  • Mensch-KI-Kombination: Eine explorative Post-hoc-Analyse kombinierte die Mehrheitsentscheidungen der Spezialisten mit den Mehrheitsentscheidungen von Claude unter Verwendung von „ODER“- (positiv, wenn entweder positiv) und „UND“-Regeln (positiv, nur wenn beide positiv sind), um komplementäre diagnostische Fehler zu bewerten.
• Metriken: Die primären Endpunkte umfassten diagnostische Genauigkeit, Sensitivität, Spezifität und die Intra-Modell-Reproduzierbarkeit (Cohen’s κ).

Wesentliche Ergebnisse

• Diagnostische Genauigkeit:
  • Beim −1,0 T-Score-Cutoff für Röntgenaufnahmen erreichte Claude die höchste Genauigkeit (73,3 %), gefolgt von Gemini (64,4 %), Spezialisten (57,4 %), ChatGPT (55,6 %) und Nicht-Spezialisten (44,0 %). Spezialisten waren signifikant genauer als Nicht-Spezialisten (P < 0,001).
  • Beim konventionellen −2,5 Cutoff wurde kein signifikanter Unterschied zwischen Spezialisten und Nicht-Spezialisten für Röntgenaufnahmen gefunden, obwohl Spezialisten bei CT-Bildern signifikant genauer waren (P < 0,001).
  • Die KI-Modelle zeigten eine weitgehend ähnliche Genauigkeit wie die Spezialisten in deskriptiven Vergleichen für CT-Bilder.
• Auswirkung des Promptings:
  • Genauigkeit: Few-Shot-Prompting verbesserte die diagnostische Genauigkeit weder für Ärzte noch für KI-Modelle konsistent. Die Veränderungen variierten je nach Modell und Bedingung und reichten von einer Abnahme um 24,4 Prozentpunkte bis zu einer Zunahme um 11,1 Prozentpunkte.
  • Reproduzierbarkeit: Few-Shot-Prompting verbesserte die Intra-Modell-Reproduzierbarkeit in mehreren Modellen, am deutlichsten bei Claude (κ stieg von 0,543 auf 0,855 für Röntgenaufnahmen). Diese Dissoziation zwischen verbesserter Konsistenz und unveränderter Genauigkeit war ein zentrales Ergebnis.
• Mensch-KI-Komplementarität:
  • Die „ODER“-Regel (Kombination aus Spezialist und Claude) erhöhte die Sensitivität für Röntgenaufnahmen beim −1,0 Cutoff von 66,7 % auf 80,0 % und für CT von 83,3 % auf 90,0 %, wenngleich die Spezifität sank.
  • Die Error-Rescue-Analyse bestätigte teilweise nicht überlappende Fehler: Claude klassifizierte 40–50 % der falsch-negativen Fälle der Spezialisten korrekt, und die Spezialisten korrigierten einen Teil der Fehler von Claude.

Wesentliche Beiträge

1. Vergleichende Leistung: Die Studie liefert direkte Belege dafür, dass ausgewählte generative KI-Modelle eine diagnostische Leistung erzielen können, die für das opportunistische Osteoporose-Screening mittels Lendenwirbelsäulen-Bildgebung mit der von Ärzten vergleichbar oder unter bestimmten Bedingungen sogar überlegen ist.
2. Prompting-Effekte: Sie zeigt, dass Few-Shot-Prompting die diagnostische Genauigkeit nicht zwangsläufig verbessert, aber die Intra-Modell-Reproduzierbarkeit (Konsistenz) signifikant steigern kann – ein entscheidender Faktor für die Integration in den klinischen Arbeitsablauf.
3. Komplementarität: Die Forschung liefert quantitative Belege für die diagnostische Komplementarität und zeigt, dass die Fehler von Mensch und KI teilweise nicht überlappen. Dies deutet darauf hin, dass die Kombination von Urteilen dazu beitragen könnte, Fälle zu identifizieren (falsch-negative Ergebnisse), was in Screening-Szenarien die Anzahl der übersehenen Fälle reduzieren könnte, allerdings auf Kosten einer höheren Anzahl an falsch-positiven Ergebnissen.
4. Modellvariabilität: Die Ergebnisse verdeutlichen die erhebliche Variabilität in der Leistung und Reproduzierbarkeit zwischen verschiedenen generativen KI-Modellen, was zeigt, dass diese nicht als austauschbare diagnostische Werkzeuge betrachtet werden können.

Bedeutung und Behauptungen
Die Arbeit kommt zu dem Schluss, dass generative KI eher als Entscheidungsunterstützungswerkzeug denn als autonomes System für das opportunistische Osteoporose-Screening betrachtet werden sollte. Die Autoren behaupten, dass KI zwar nicht universell besser als Ärzte sein mag, ihre Fähigkeit zur Bereitstellung komplementärer diagnostischer Urteile jedoch helfen kann, Patienten zu identifizieren, die eine formale BMD-Messung benötigen, und somit das Problem der Unterdiagnose adressiert.

Die Studie betont, dass der klinische Wert generativer KI in ihrer Integration in klinische Arbeitsabläufe neben dem ärztlichen Urteil liegt. Die Autoren mahnen, dass einfache Kombinationsregeln einen Trade-off zwischen Sensitivität und Spezifität beinhalten und dass die offensichtlichen komplementären Effekte eine prospektive Validierung in unabhängigen Kohorten erfordern. Darüber hinaus weisen die Autoren darauf hin, dass eine verbesserte Reproduzierbarkeit durch Few-Shot-Prompting nicht zwangsläufig mit einer verbesserten diagnostischen Validität gleichzusetzen ist, was die Notwendigkeit unterstreicht, Genauigkeit und Konsistenz als zwei getrennte Dimensionen der KI-Leistung zu bewerten.