KI erreicht eine Genauigkeit von 90 % bei der Erkennung eines erneuten Auftretens von Vorhofflimmern

• Eine neue Deep-Learning-Methode erkennt mögliche Signale für das Wiederauftreten von Vorhofflimmern mit einer Genauigkeit von 90 %. 
• Dazu analysiert und lernt es aus dreidimensionalen Herz-MRT-Bildern und generiert eine personenspezifische, auf Orientierungspunkten basierende Anatomiedarstellung. 

Laut CDC-Bericht leiden rund 6,1 Millionen Menschen in den USA an Vorhofflimmern (AFib) – einer unregelmäßigen und oft schnellen Herzfrequenz, die das Risiko für Herzversagen, Schlaganfall und andere Komplikationen erhöht.

Hoher Blutdruck und zunehmendes Alter sind für bis zu 22 % der Vorhofflimmern-Fälle verantwortlich. Normalerweise erhöht es das Schlaganfallrisiko um das Fünffache und verursacht 20 % der ischämischen Schlaganfälle, die auftreten, wenn der Blutfluss zum Gehirn durch Fettablagerungen, sogenannte Plaques, in der Blutgefäßauskleidung behindert wird.

Obwohl Vorhofflimmern nicht lebensbedrohlich ist, handelt es sich um eine ernste Erkrankung, die häufig einer Notfallbehandlung bedarf. In vielen Fällen tritt es nach der Behandlung wieder auf. Um mögliche Anzeichen für ein erneutes Auftreten zu erkennen, haben Forscher der University of Utah eine Deep-Learning-Methode entwickelt, die Vorhofflimmern mit einer Genauigkeit von 90 % erkennt.

Wie funktioniert es?

Tiefe neuronale Netze nutzen dreidimensionale kardiale MRT-Bilder, um eine personenspezifische, auf Orientierungspunkten basierende Anatomiedarstellung zu erstellen, wodurch mühsame Aufgaben wie manuelle Vorverarbeitung und Segmentierung entfallen.

Um das Wiederauftreten von AFiB vorherzusagen, analysiert es die Form eines linken Vorhofs (einer der vier Kammern des Herzens) und sucht nach Unregelmäßigkeiten. Allerdings kann das Netzwerk mit begrenzten Stichproben nicht effizient trainiert werden. Daher wandten die Forscher einen Datenerweiterungsansatz an, um statistisch aussagekräftigere Informationen zu erzeugen und so das Netzwerk zu trainieren und gleichzeitig das Risiko einer Überanpassung zu verringern.

Das Faltungs-Neuronale Netzwerk wird anhand von Hunderten von MRT-Bildern trainiert, wobei NVIDIA Tesla-GPUs mit dem TensorFlow Deep-Learning-Framework verwendet werden. Anschließend führten sie eine Datenerweiterung bei 75 % des Originaldatensatzes durch, um die Netzwerkgenauigkeit zu verbessern.

Referenz: arXiv:1810.00475 | Universität von Utah

Genauer gesagt weist die Struktur des linken Vorhofs aufgrund der großen Anzahl möglicher Anordnungen der Lungenvenen eine Häufung im Formraum auf. Um mit dieser Zahl umzugehen, modellierten sie die Formen des linken Vorhofs als Gaußsche Verteilung mit mehreren Modellen im Unterraum der Hauptkomponentenanalyse, wobei drei Komponenten das beste Bayes'sche Informationskriterium lieferten.

Standardformmodellierung vs. vorgeschlagene Methode | Mit freundlicher Genehmigung von Forschern

In diesem Experiment wurden insgesamt 207 Proben verwendet, von denen 175 zur Datenerweiterung verwendet wurden und die übrigen für Netzwerktests reserviert wurden (als unbeobachtete Proben).

Ergebnisse

Da die vorgeschlagene Technik durch das Erlernen von Formdeskriptoren aus Bildern funktioniert, wurde sie für die automatische Segmentierung des linken Vorhofs mit vielversprechenden Ergebnissen eingesetzt.

Lesen Sie:KI kann Hautkrebs genauer erkennen als erfahrene Ärzte

Nach einem Vergleich dieser Technik mit dem bestehenden hochmodernen Formanalyse-Workflow, der regelmäßige menschliche Eingriffe und Korrespondenzoptimierung erfordert, stellten sie fest, dass die Ergebnisse statistisch vergleichbar waren. Die von den tiefen neuronalen Netzen vorhergesagte Wiederholung ist zu 90 % genau mit einem Fehler von ±0,06 %.