Springe zum Inhalt

Schlagwort: Maschinelles Lernen

Veröffentlicht am

Jedes Jahr werden weltweit viele Millionen Elektrokardiogramme (EKGs) durchgeführt, um die Gesundheit des Herzens zu überwachen oder zu überprüfen. Bisher kamen in den meisten EKG-Systemen regelbasierte Algorithmen zum Einsatz. Diese arbeiten nach festen Regeln, die über Jahre entwickelt und in medizinischen Richtlinien festgelegt wurden. Seit mehreren Jahren hat zusätzlich das Maschinelle Lernen in der Medizin Einzug gehalten. Mithilfe sogenannter neuronaler Netzwerke, die große Datenmengen analysieren können, erhoffen sich Forscher präzisere Diagnosen.

Das Schöne an maschinellen Lernverfahren ist, dass sie sich nicht auf Regeln beziehen müssen. Stattdessen lernen die Computer aus echten EKG-Daten und den Diagnosen von Ärzten, um ihre Vorhersagen immer weiter zu verbessern. Die KI kann mit mathematischen Verfahren Muster in den Daten erkennen. Allerdings ist das „Innere“ neuronaler Netze oft ein Rätsel. Es ist nicht oder sehr schwer nachzuvollziehen, warum eine KI eine bestimmte Entscheidung getroffen hat.

Ein KI-Modell für EKG-Daten

Um die Leistungsfähigkeit solcher neuronalen Netze zu prüfen, haben Forscher aus Kalifornien (USA) ein Convolutional Neural Network (CNN) entwickelt, das sie mit EKG-Daten trainierten. An der University of California (UCSF) wurden in einer breit angelegten Studie tausende EKG-Daten aus den Jahren 2003 und 2017 analysiert. Die EKGs der Patienten wurden in drei Teile unterteilt: einen Trainingssatz, mit dem das Modell lernen konnte, einen Entwicklungssatz, um das Modell weiter zu verbessern, und einen Testsatz, um es auf seine Genauigkeit zu prüfen.

Das Lernmodell wurde mit 38 häufig auftretende Herzproblemen trainiert. Dazu gehörten verschiedene Arten von Herzrhythmusstörungen sowie Strukturveränderungen und Leitungsstörungen im Herzen. Da einige Herzprobleme viel häufiger auftreten als andere, musste das Forschungsteam sicherstellen, dass alle Diagnosen im Trainingssatz angemessen vertreten waren. Deshalb wurden besonders häufige Diagnosen absichtlich seltener gemacht, um das Ungleichgewicht zwischen den 38 untersuchten Krankheitsbildern auszugleichen.

Zusätzlich wurden auch noch zufällig ausgewählte EKGs aus dem Jahr 2018 verwendet, bis dieses Datenset für alle 38 Diagnosekategorien mindestens elf Fälle enthielt. Alle verwendeten Datensätze beinhalteten unterschiedliche Patientengruppen, sodass es keine Überschneidungen zwischen den Sets gab. Das sorgte dafür, dass die Testergebnisse besonders aussagekräftig waren. Letztlich bestanden die Trainingsdaten aus über einer Million EKGs.

Das System wurde anschließend in zwei Tests mit klinischen Standards verglichen. Zum einen musste es gegen menschliche Kardiologen und zum anderen gegen das kommerzielle EKG-Analyseprogramm MUSE von GE Healthcare bestehen.

Maschinelles Lernen im Vergleich zu Ärzten und Software

In einer ersten Auswertung wurde das Modell an fast 100.000 EKGs geprüft und zeigte für 32 der 38 untersuchten Herzprobleme eine hohe Genauigkeit. In einem zweiten Test wurden 328 EKGs von einem Expertengremium aus Kardiologen begutachtet, um die Diagnosen als Maßstab zu verwenden. Hier zeigte das maschinelle Lernmodell bessere Ergebnisse als die Kardiologen und die MUSE-Software in den meisten Kategorien.

Das Modell war besonders gut bei der Erkennung von Rhythmusstörungen und Problemen in der elektrischen Leitung des Herzens. Lediglich bei der Diagnose von Vorhofflimmern und einigen anderen seltenen Herzrhythmusstörungen schnitten die Kardiologen besser ab.

Einschränkungen der Studie

Das Medizinerteam wies darauf hin, dass das Ärzteteam zur Begutachtung (Vergleichsteam) in dieser Studie relativ klein war. Auch wurde das KI-System nicht an Daten aus anderen Krankenhäusern getestet. Wenn in anderen Häusern die EKG-Daten leicht unterschiedlich erhoben würden, etwa bei der Platzierung der Elektroden, könnte das neuronale Netzwerk vielleicht Schwierigkeiten haben.

Schlussfolgerungen für die Zukunft

Die Ergebnisse waren insgesamt beeindruckend. Das CNN übertraf eine weit verbreitete kommerzielle EKG-Analyse-Software bei nahezu allen untersuchten Diagnosen und lieferte vergleichbare Ergebnisse wie erfahrene Kardiologen.

Und das ist nicht das Ende der Fahnenstange, denn das neuronale Netzwerk kann mit neuen EKGs weiterhin lernen und noch besser werden. Zudem kann es Diagnosen stellen, die mit herkömmlichen Methoden kaum möglich sind, wie etwa bei Herzproblemen wie der verringerten Ejektionsfraktion oder der pulmonalen Hypertonie.

Eine verringerte Ejektionsfraktion des Herzens bedeutet, dass das Herz weniger effizient Blut in den Körper pumpt. Pulmonale Hypertonie ist eine Erkrankung, bei der der Blutdruck in den Blutgefäßen, die das Blut vom Herz zu den Lungen transportieren (die sogenannten Lungenarterien), zu hoch ist.

Die Forscher erkannten weiterhin, dass regelbasierte Systeme bei der Messung von Intervallen oder der Auswertung bestimmter Herzachsen zuverlässiger arbeiten. Eine Kombination aus maschinellem Lernen und Regeln könnte daher ein guter Ansatz für zukünftige Analysesysteme sein.

Weiter lesen:

👉 Auf Mastodon kommentieren

Veröffentlicht am

Parkinson ist die am schnellsten wachsende neurologische Erkrankung weltweit, und bis heute gibt es keine Heilung. Trotz der Fortschritte bei der Behandlung und der Möglichkeit, Symptome zu lindern, haben viele Betroffene keinen oder nur eingeschränkten Zugang zu neurologischer Versorgung.

Ein Hauptsymptom der Parkinson-Krankheit ist die Bewegungsverlangsamung. Um diese zu diagnostizieren, wird häufig ein einfacher, sogenannter Fingertipp-Test durchgeführt. Dabei soll der Patient so schnell wie möglich mit dem Daumen die Spitze des Zeigefingers berühren. Videos dieser Tests wurden in der Vergangenheit in kleinen Studien bereits mit Computern ausgewertet. Hierbei kommt maschinelles Lernen zum Einsatz.

Schwierig an diesem Unterfangen ist, dass viele KI-Modelle auf perfekte, störungsfreie Videos aus klinischen Umgebungen trainiert sind. Dadurch versagen sie eher in Alltagssituationen, etwa zu Hause. Für eine praktische Anwendung müssten die Computer in der Lage sein, überall auf der Welt einfach nur auf der Basis einer Webcam den Fingertipp-Test analysieren zu können.

Neue Studie mit Alltagsvideos

Forschende haben daher in einer neuen Studie Videos von über 250 Teilnehmern gesammelt, die den Test größtenteils von zu Hause aus durchführten. Dabei wurde die Plattform Parktest.net zu Hilfe genommen. Es sollte untersucht werden, wie KI-Systeme bei der Einschätzung des Fingertipp-Tests gegenüber erfahrenen Experten abschneiden. Für die Bewertung gibt es eine sogenannte Unified Parkinson’s Disease Rating Scale (MDS-UPDRS).

Von den 250 Probanden hatten 172 Parkinson, die übrigen 78 bildeten eine Kontrollgruppe ohne die Erkrankung. Jeder Teilnehmer nahm den Test mit beiden Händen per Video auf, was insgesamt 500 Videos ergab. Eine kleinere Gruppe von 48 Teilnehmern absolvierte den Test unter Aufsicht in einer Klinik, wobei die gleiche Online-Plattform verwendet wurde. Die Videos wurden anschließend von drei erfahrenen Neurologen bewertet, die auf Parkinson-Forschung spezialisiert sind. Nach einer Qualitätskontrolle blieben 489 Videos für die Analyse übrig.

Weiterhin gab es noch zwei unabhängige Bewerter, ebenfalls mit Erfahrung auf dem Gebiet von Parkinson. Ihre Aufgabe bestand später darin, die Leistung von KI-Modellen mit den Bewertungen der drei Spezialisten zu vergleichen.

Vergleich mit interessanten Ergebnissen

Die drei Neurologen stimmten in ihrer Bewertung bei fast einem Drittel der Videos vollständig überein, und in 93 Prozent der Fälle stimmten mindestens zwei Experten in ihrer Einschätzung der Krankheitsschwere überein. Auf der anderen Seite konnten die KI-Modelle fast so präzise wie die erfahrenen Neurologen und besser als weniger spezialisierte Fachkräfte die Videos bewerten.

Daraus ergeben sich folgende Erkenntnisse:

  • Experten können Parkinson-Symptome in Videos, die aus der Ferne zu Hause aufgenommen wurden, zuverlässig bewerten. Es ist nicht unbedingt erforderlich, dafür in eine Klinik oder Arztpraxis zu fahren.
  • Ein KI-Modell kann die Fingerbewegungen aus dem Video fast so genau analysieren wie Fachärzte.
  • Die Methodik ist fair und funktioniert unabhängig von Geschlecht, Alter oder Krankheitszustand.

Gute Chancen für die Zukunft

Auf der Basis dieser Erkenntnisse und einer Weiterentwicklung könnte das langfristige Ziel erreicht werden, Menschen mit Parkinson eine kontinuierliche Beobachtung ihrer Symptome zu ermöglichen. Das Besondere an Parkinson ist nämlich, dass die Krankheit oft in Phasen verläuft. Symptome können sich je nach Tageszeit oder Medikamenteneinnahme ändern. Daher könnten regelmäßige Tests zu Hause dabei helfen, diese Schwankungen besser zu überwachen und die Behandlung individuell anzupassen.

Eine große Hilfe wäre auch in Regionen gegeben, in denen der Zugang zu Neurologen stark eingeschränkt ist. Dort könnte ein KI-gestütztes System den Patienten bei ihrer Selbstüberwachung helfen.

Dazu müssten noch einige Herausforderungen gelöst werden. Bei höheren Schweregraden der Erkrankung war das KI-Modell weniger genau als die Ärzte. Weiterhin könnten sehr ungünstige Aufnahmeorte zu Hause, etwa mit schlechter Beleuchtung, die Videoqualität stark beeinträchtigen und eine digitale Auswertung erschweren oder verfälschen. Ein KI-Modell darf auch keinen Bias hinsichtlich Geschlecht, ethnischer Herkunft und Krankheitszustand aufweisen. Eine solche Software müsste bei allen Menschen gleich zuverlässig funktionieren.

Unter dem Strich zeigt die Studie großes Potenzial von KI im Gesundheitswesen bei der Betreuung von Menschen mit Parkinson.

Weiter lesen:

👉 Auf Mastodon kommentieren

Veröffentlicht am

Ein wichtiger Teilbereich der Künstlichen Intelligenz (KI) ist das Maschinelle Lernen. Normalerweise muss man einem Computer genau sagen, was er tun soll. Beim Maschinellen Lernen ist das jedoch anders: Der Computer erhält viele Beispiele und „lernt“ daraus, was zu tun ist, ohne dass ihm jedes Detail erklärt wird. Zeigt man einem Computer Tausende Bilder von Katzen und Hunden, kann er nach einer Weile selbst erkennen, ob auf einem neuen Bild eine Katze oder ein Hund zu sehen ist. Hinter diesem Lernprozess steht komplexe Mathematik. Beim Maschinellen Lernen lernt also der Computer aus Beispielen, wie er eine Aufgabe immer besser machen kann.

...weiterlesen "Was ist ein Generative Pretrained Transformer (GPT)?"