Der interdisziplinäre Forschungsverbund ARTEMIS hat sich zum Ziel gesetzt, das enorme Potenzial der künstlichen Intelligenz (KI) zusammen mit fortschrittlichen Bildverarbeitungsmethoden für die radiologische Diagnostik und die Modellierung des Erkrankungsrisikos auf dem Gebiet der muskulo-skelettalen Erkrankungen (MSK) auszuschöpfen. Die Bildgebung erfolgt mittels Computertomographie (CT) insbesondere für Osteoporose. Hierbei erfolgt auch eine differenzialdiagnostische Abklärung gegenüber degenerativen Erkrankungen. Konkret sollen mit den KI-Techniken die folgenden spezifischen Ziele im Verbund verfolgt werden: 1. CT-Scans sollen ausgewertet werden, um zu überprüfen, ob der Patient ein hohes Osteoporose-bedingtes 10-Jahres-Frakturrisiko hat (Konzept der opportunistischen Früherkennung). 2. Die diagnostische und differentialdiagnostische Beurteilung von MSK-Erkrankungen soll verbessert werden, indem eine KI-Unterstützungssoftware "i4 ReaderAssistant" für Radiologen und Kliniker erstellt wird. Das Teilvorhaben befasst sich mit KI-Methoden zur Extraktion von Merkmalen für Hüftfrakturen aus sowohl annotierten wie auch unmarkierten medizinischen Daten. Die Bewertung der Hüftfraktur basiert auf einer Vielzahl von Merkmalen, die durch KI-Messungen erlernt werden sollen. Daher ist die KI-basierte Vorhersage dieser Merkmale von wesentlicher Bedeutung, um einen guten und interpretierbaren Hüftfraktur-Score zu erhalten. Moderne "deep learning" Netze sind in hohem Maße auf viele annotierte Daten angewiesen. Durch die Mischung von annotierten und unmarkierten Daten wird das Training auch mit wenigen annotierten Daten möglich. Darüber hinaus sollen durch die Generierung von Vorschlägen Experten in ihrem Arbeitsablauf unterstützen werden. Der "i4-Reader-Assistent" soll auf die Vorhersage von Hüftfrakturmerkmalen am oberen Ende des Oberschenkelknochens (Femur) mit Deep Learning Methoden erweitert werden.