KHKorbinian Holzapfel

Korbinian Holzapfel

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


Korbinian Holzapfel has a total of 17 co-authors. Here are the top co-authors by number of shared publications:

  • Markus Naumann

    Klinik für Neurologie und Klinische Neurophysiologie, Universitätsklinikum Augsburg, Augsburg, Germany

    5 shared publications
  • Martin Allweyer

    Neurologische Klinik und Klinische Neurophysiologie, Universität Augsburg Medizinische Fakultät, Augsburg, Germany

    2 shared publications
  • Tanupriya Ghosh

    Department of Neurology and Clinical Neurophysiology, Medical Faculty, University of Augsburg, Augsburg, Germany

    2 shared publications
  • Thorsten Schöler

    Fakultät für Informatik, Forschungsgruppe AI and Robotics (THA_air), Technische Hochschule Augsburg (THA), Augsburg, Germany

    2 shared publications
  • Antonios Bayas

    Department of Neurology and Clinical Neurophysiology, Medical Faculty, University of Augsburg, Augsburg, Germany

    1 shared publication
  • E Mayr

    Trauma Surgery, Faculty of Medicine, University of Augsburg , Augsburg 86156

    1 shared publication

Latest Publications

  • Trauma- and treatment-associated peripheral nerve injuries following occupational accidents: a retrospective study

    by K Holzapfel, S Schulz, L Braadt, M Naumann, E Mayr, J Abelmann-Brockmann

    Background: Peripheral nerve injuries after occupational accidents can result in significant functional and socioeconomic consequences. Aims: This study aims to describe the characteristics and patterns of trauma- and treatment-related peripheral nerve injuries resulting from occupational accidents. Methods: We retrospectively analysed 276 cases of traumatic peripheral nerve injury following occupational accidents, treated between 2018 and 2024 at a German university hospital. Injuries were classified by severity and anatomical location. Associations between injury characteristics, occupational sectors, treatment modalities and work incapacity were examined. Results: Most cases occurred in construction, trade/transport, metal industry and agriculture/forestry (63%). The leading causes were falls, crush, penetrating/cutting and impact injuries. In 24%, the nerve injury was treatment-related rather than caused by the initial trauma. The median, ulnar and peroneal nerves were most commonly affected. Severe deficits were present in 44% of patients at baseline; 26% remained severely affected at follow-up. Nerve surgery was performed in 38% of severe cases. Longer work incapacity was associated with fracture-related injuries (median = 210 days, Q1 = 133–Q3 = 375; Q1 = 25th, Q3 = 75th percentile), lower extremity involvement (240, 148–403 versus 180, 89–285; P < 0.001) and age >50 years (210, 140–409 versus 81, 29–143; P < 0.001). Conclusions: Peripheral nerve injuries from occupational accidents are linked to substantial work incapacity. Key predictors of prolonged recovery include fractures, lower extremity involvement and older age. Treatment-related nerve damage accounts for a considerable share. Many patients show persistent deficits despite comprehensive care.

  • Automatisierte Lokalisation von Armnerven im Ultraschall durch Künstliche Intelligenz mit tiefen neuronalen Netzwerken

    by Korbinian Holzapfel, Thorsten Schöler, Raphael Dechent, Markus Naumann, Martin Allweyer, Tobias Eisenacher

    Zusammenfassung: Die Nervensonografie ist eine etablierte diagnostische Methode bei der Detektion pathologischer Nervenveränderungen. Der Einsatz von künstlicher Intelligenz (KI) in der Ultraschalldiagnostik hat in den letzten Jahren erhebliche Fortschritte erzielt, insbesondere durch Verwendung tiefer neuronaler Netzwerke. Die Studie sollte aus etablierten tiefen neuronalen Netzwerken zur Objekterkennung das geeignetste Netzwerk identifizieren, um Armnerven in ihrem Verlauf im Ultraschallvideo zu detektieren. Eine eigens entwickelte Web-App sollte Nerven automatisiert erkennen sowie dem Auswerter die Annotation von durch die KI falsch oder nicht erkannten Nerven erleichtern. Aus Ultraschallvideos des Nervus medianus bzw. ulnaris 30 gesunder Probanden wurden Einzelbilder extrahiert, und die Nerven von einem Experten für Nervensonografie mithilfe einer dafür entwickelten Web-Applikation annotiert. Die Annotationen wurden in das You-Only-Look-Once-Label-Format (YOLO) umgewandelt, und zunächst ein Faster Region Convolutional Neural Network (Faster-R-CNN) trainiert. Die Leistung des Faster-R-CNN wurde durch Transfer Learning und die Anpassung der Hyperparameter für den Anwendungsfall optimiert. Basierend auf den Ergebnissen durch den Einsatz des Faster-R-CNN-Netzwerks wurden weitere künstliche neuronale Netze zur Objekterkennung trainiert: YOLO-, DINO-Resnet50- (DINO: self-distillation with no labels, Resnet: residual neural network), DINO-SwinL-Netzwerk (SwinL: Swin transformer mit Größe L). Entsprechende Performance Parameter wurden bei den einzelnen neuronalen Netzen bestimmt und zur Identifikation des geeignetsten neuronalen Netzes verglichen. Durch Anwendung der Faster-R-CNN-Modells konnte eine Erkennungsrate von 70% bei den 30 besten Bildern mit einem IoU (Intersection over Union)-Threshold von 0,5 und bei einem IoU-Threshold von 0,7 eine Erkennungsrate von 46,7% erreicht werden. Durch den Einsatz von YOLOv8-Modellen konnte die Erkennungspräzision erheblich gesteigert werden. Im Vergleich mit dem Faster-R-CNN-Modell (mAP50 0,223) zeigte das YOLOv8-Modell (mAP50 YOLOv8s und YOLOv8m 0,9283) eine deutlich bessere Erkennungsgenauigkeit. Die Nervenerkennung und die Annotationen des Bildmaterials konnten mithilfe einer Web-App komfortabel vorgenommen werden. Mithilfe von YOLOv8-Deep-Learning-Modellen können Armnerven automatisiert in aus Ultraschallvideos extrahierten Einzelbildern zuverlässig und schnell detektiert werden. Durch Entwicklung einer benutzerfreundlichen Web-Anwendung kann das weitere Anlernen des neuronalen Netzes verbessert und für den medizinischen Praktiker erleichtert werden. Bei weiterer Optimierung hat die Methode ein vielversprechendes Potenzial für den zukünftigen Einsatz von Deep Learning im Nervenultraschall zur automatisierten Diagnostik von Erkrankungen des peripheren Nervensystems.

  • Maschinelles Lernen zur Detektion pathologischer Spontanaktivität in der Elektromyografie anhand von Audiosignalen

    by Korbinian Holzapfel, Thorsten Schöler, Markus Naumann, Lisa De Rijke

    Zusammenfassung: Die Erkennung pathologischer Spontanaktivität in der Elektromyografie (EMG) ist entscheidend für die Diagnostik neuromuskulärer Erkrankungen. Die vorliegende Studie untersuchte den automatisierten Einsatz von maschinellem Lernen zur Identifikation pathologischer Spontanaktivität aus EMG-Audiodaten.Anonymisierte Audiodaten von 40 Patienten mit Willkür- oder pathologischer Spontanaktivität wurden extrahiert und in kurze Segmente aufgeteilt. Verschiedene Algorithmen wie Random Forest, K-Nearest Neighbors (KNN), Support Vector Classifier (SVC), ein Feedforward-Netzwerk und ein Autoencoder-Netzwerk wurden trainiert und verglichen.Der Random-Forest-Klassifikator erzielte eine Genauigkeit von 0,89. KNN zeigte einen hohen Recall von 1,0 bei 0,72 Genauigkeit, was auf zuverlässige Erkennung hinweist. Gradient-Boosting wies ein ausgewogenes Verhältnis zwischen Precision (0,70) und Recall (0,88) auf. Klassische Methoden lieferten je nach Datenqualität variable Ergebnisse, wobei Gradient Boosting insgesamt am besten abschnitt. Das Feedforward-Netzwerk erreichte in segmentierten 3-Sekunden-Abschnitten eine Precision und einen Recall von 1,0 und zeigte somit die höchste Leistung.Maschinelles Lernen kann pathologische Spontanaktivität in EMG-Audiodaten effektiv von Willküraktivität unterscheiden. Insbesondere neuronale Netze bieten großes Potenzial zur Unterstützung von Klinikern in der EMG-Diagnostik bei weiterer Optimierung.

  • Open Access

    Mirror movements in multiple sclerosis -a clinical, electrophysiological, and imaging study

    by Korbinian Holzapfel, Antonios Bayas, Markus Naumann, Tanupriya Ghosh, Verena Steuerwald, Martin Allweyer, Jan S. Kirschke, Lars Behrens

    Background: Mirror movements (MM) are commonly caused by a defect of interhemispheric pathways also affected in multiple sclerosis (MS), particularly the corpus callosum. We investigated the prevalence of MM in MS in relation to functional and morphological callosal fiber integrity by transcranial magnetic stimulation (TMS), magnetic resonance imaging (MRI), as well as fatigue. Methods: In 21 patients with relapsing–remitting MS and 19 healthy controls, MM were assessed and graded (Woods and Teuber scale: MM 1—4) using a bedside test. Fatigue was evaluated using the Fatigue Scale for Motor and Cognitive Functions (FSMC) questionnaire. TMS measured ipsilateral silent period latency and duration. MRI assessed callosal atrophy by measuring the normalized corpus callosum area (nCCA), corpus callosum index (CCI), and lesion volume. Results: MS patients had significantly more often and pronounced MM compared to healthy controls (p = 0.0002) and nCCA was significantly lower (p = 0.045) in MRI studies. Patients with higher MM scores (MM > 1 vs. MM 0/1) showed significantly more fatigue (higher FSMC sum score, p = 0.04, motor score, p = 0.01). In TMS and MRI studies, no significant differences were found between patients with MM 0/1 and those with MM > 1 (ipsilateral silent period measurements, CCA, CCI and lesion volume). Conclusions: MM are common in MS and can easily be detected through bedside testing. As MM are associated with fatigue, they might indicate fatigue in MS. It is possible that other cerebral structures, in addition to the corpus callosum, may contribute to the origin of MM in MS.


  • Open Access

    Ultrasound Detection of Vagus Nerve Atrophy in Bulbar Amyotrophic Lateral Sclerosis

    by Korbinian Holzapfel, Markus Naumann

    BACKGROUND AND PURPOSE: Neuromuscular ultrasound in amyotrophic lateral sclerosis (ALS) is of increasing interest. As bulbar symptoms are commonly developed by most ALS patients during disease, the aim of our study was to find possible sonographic changes of vagus nerve size in bulbar affected ALS patients.METHODS: We investigated 24 ALS patients and 19 controls without neuromuscular disorders. In ALS patients, bulbar affection was documented clinically (eg, dysarthria, dysphagia, and fasciculations) or subclinically using ultrasound and electromyography of bulbar muscles. Vagus nerve ultrasound was performed in all participants bilaterally at the level of the thyroid gland.RESULTS: The cross‐sectional area (CSA) of the vagus nerve in bulbar affected ALS patients (mean CSA right/left 1.9 ± .7 mm²/1.8 ± .6 mm²) was significantly reduced on both sides compared to controls (mean CSA right/left 2.2 ± .6 mm²/2.0 ± .3 mm²) – right: P = .0387, left: P = .0386. Receiver operating characteristic curve analysis of the vagus nerve CSA yielded a sensitivity of 66.7% and a specificity of 63.2% (cutoff value 1.85 mm²). Vagus nerve CSA did not correlate significantly with age in controls (right: P = .45, left: P = .66). In controls and ALS patients, there was no significant difference of vagus nerve CSA between the right and left sides (controls: P = .43; patients: P = .86).CONCLUSION: Our study demonstrates vagus nerve atrophy in bulbar affected ALS patients. Further studies are warranted investigating the relevance of our finding for monitoring disease progression in ALS.