Das Vorhaben ist Teil des Forschungsverbunds "ARTEMIS - Artificial intelligence musculoskeletal disorders study", in dem das enorme Potenzial moderner Verfahren der künstlichen Intelligenz und der Bildverarbeitung für die Modellbildung, Diagnostik und prospektiven Beurteilung u. a. von Osteoporose nutzbar gemacht werden soll. "Deep Learning" - basierte Algorithmen und insbesondere sogenannte faltende neuronale Netzwerke ("convolutional neural networks" CNN) haben bei der Analyse nicht-medizinischer und medizinischer Bilddaten in zahlreichen Aufgabenstellungen deutlich besser abgeschnitten als klassische maschinelle Lernverfahren, u. a. bei der Diagnostik von Knochenbrüchen. Da CNNs automatisch relevante Bildmerkmale extrahieren können, die als starke Indikatoren für künftig auftretende Wirbelbrüche gelten, soll der aktuelle Stand der Technik zur prospektiven Beurteilung des Wirbelfrakturrisikos und insbesondere zur Identifikation von Personen, die ein hohes Wirbelbruchrisiko aufweisen, genutzt werden. Hierzu werden Deep Learning - basierte Verfahren angewendet. Zentrales Ziel des Teilvorhabens ist daher 1) die Anwendung, Entwicklung und Evaluierung aktueller Deep Learning-basierter Algorithmen zur automatischen Extraktion diagnostischer Bildmerkmale, die auf Wirbelfrakturen hinweisen, sowie zur automatischen Klassifikation von osteoporotischen und degenerativen Deformitäten, und 2) die Deep Learning-basierte prospektive Beurteilung des Wirbelfrakturrisikos basierend auf den in (1) entwickelten Prädiktoren. Ein weiterer Aspekt fokussiert auf algorithmische Methoden zur Behandlung des Klassenungleichgewichts, d. h. die Anzahl der Patienten, die ein hohes Risiko für Wirbelbrüche haben, ist deutlich geringer als die Anzahl der Patienten mit geringem Risiko.