KI erkennt Vorhofflimmern-Rezidiv mit 90 % Genauigkeit

• Neue Deep-Learning-Methode detektiert Signale für Vorhofflimmern-Rezidiv mit 90 % Accuracy.
• Analysiert & lernt aus 3D-kardialen MRT-Bildern → personenspezifische Landmarken-basierte Anatomie-Repräsentation.

Laut CDC: ~6,1 Mio. Menschen in USA leiden an Vorhofflimmern (AFib) – unregelmäßiger, oft schneller Herzschlag, erhöhtes Risiko für Herzinsuffizienz, Schlaganfall, Komplikationen.

Hoher Blutdruck & fortgeschrittenes Alter: bis 22 % der AFib-Fälle. Erhöht Schlaganfall-Risiko 5-fach; verursacht 20 % ischämischer Schlaganfälle (Blutfluss zum Gehirn blockiert durch Plaque in Gefäßwänden).

AFib nicht lebensbedrohlich, aber ernst – oft Notfallbehandlung nötig. Häufiges Rezidiv nach Behandlung. Zur Früherkennung von Rezidiv-Signalen: University of Utah entwickelte Deep-Learning-Methode mit 90 % Accuracy.

Funktionsweise

Deep Neural Networks nutzen 3D-kardiale MRT-Bilder → personenspezifische Landmarken-basierte Anatomie-Repräsentation. Eliminiert mühsame manuelle Preprocessing & Segmentation.

Zur AFib-Rezidiv-Vorhersage: Analyse der Form des linken Vorhofs (eine der vier Herzkammern) auf Irregularitäten. Netzwerk kann mit limitierten Samples nicht effizient trainiert werden → Data Augmentation für statistisch feasible Informationen, Training bei reduziertem Overfitting-Risiko.

Convolutional Neural Network trainiert auf hunderten MRT-Bildern, NVIDIA Tesla GPUs mit TensorFlow Deep Learning Framework. Data Augmentation auf 75 % des Original-Datasets → verbesserte Network Accuracy.

Referenz: arXiv:1810.00475 | University of Utah

Linker Vorhof-Struktur zeigt Clustering im Shape Space (viele mögliche Anordnungen der Lungenvenen). Modellierung als Multi-Modal Gaussian Distribution im PCA-Subspace – 3 Komponenten liefern bestes Bayesian Information Criterion.

Standard Shape Modeling vs. proposed Method | Courtesy of researchers

Experiment: 207 Samples total, 175 für Data Augmentation, Rest für Network Testing (unobserved Samples).

Ergebnisse

Da Technik Shape Descriptors aus Bildern lernt: genutzt für automatische Segmentation des linken Vorhofs mit vielversprechenden Ergebnissen.

Lesen Sie auch: KI erkennt Hautkrebs präziser als erfahrene Ärzte

Vergleich mit State-of-the-Art Shape Analysis Workflow (regelmäßige menschliche Intervention & Correspondence Optimization): Outcomes statistisch vergleichbar. Deep Neural Network Rezidiv-Vorhersage: 90 % Accuracy bei Fehler ±0,06 %.