211service.com
Algorithmus gleicht menschlichen Kardiologen bei der Erkennung von Herzinfarkten
Ein Myokardinfarkt oder Herzinfarkt tritt auf, wenn die Blutversorgung des Herzmuskels durch eine Art Blockade dauerhaft unterbrochen wird. Die Behandlung besteht entweder darin, die betroffene Arterie mit einem Ballon oder Stent zu erweitern, damit das Blut wieder fließen kann, oder die Blockade vollständig mit einer koronaren Bypass-Operation zu umgehen.
In jedem Fall muss der Eingriff rechtzeitig erfolgen, und eine schnelle Diagnose kann einen großen Unterschied machen. In der oft chaotischen Umgebung einer Notaufnahme werden die Anzeichen eines Herzinfarkts jedoch nicht selten übersehen, und die Folgen sind tiefgreifend.
Eine automatisierte Möglichkeit, die verräterischen Anzeichen genau und zuverlässig zu erkennen, wäre also ein bedeutender Fortschritt. Doch trotz intensiver Forschung auf diesem Gebiet sind automatisierte Herzüberwachungssysteme deutlich weniger zuverlässig als ausgebildete Kardiologen.
Heute scheint sich das dank der Arbeit von Nils Strodthoff vom Fraunhofer Heinrich-Hertz-Institut in Berlin und Claas Strodthoff vom Universitätsklinikum Schleswig-Holstein in Kiel, beide in Deutschland, zu ändern. Diese Jungs haben ein neuronales Netzwerk entwickelt, das die Anzeichen eines Myokardinfarkts erkennen kann, und sie sagen, dass die Maschine zum ersten Mal die Leistung menschlicher Kardiologen erreicht.
Zunächst etwas Hintergrund. Eine der besten Möglichkeiten, einen Herzinfarkt zu diagnostizieren, ist die Verwendung eines Elektrokardiographen, um die elektrische Leistung des Herzens zu messen. Ein Standard-EKG zeichnet das elektrische Signal von 12 verschiedenen Elektroden auf, die an verschiedenen Körperteilen des Patienten angebracht sind.
Diese Signale offenbaren das elektrische Verhalten des Herzens auf verschiedene Weise. Kardiologen wissen seit langem, dass die Signale einiger dieser Ableitungen diagnostisch nützlicher sind als andere, wenn es um Herzinfarkte geht.
Aber die Interpretation der Daten ist schwierig. Ein Kliniker muss zuerst eine Art Basissignal ausarbeiten, jegliches Rauschen oder beschädigte Daten ignorieren und dann einzelne Herzschläge isolieren. Der Kliniker sucht dann nach vordefinierten oder automatisch erkannten Zeitintervallen und Spannungswerten für jeden Schlag.
Schließlich muss er die entsprechenden Merkmale im Herzschlag identifizieren und den Zustand entsprechend einordnen. Der Klassifizierungsprozess wird durch das Vorhandensein eines Signals, das als ST-Hebung bezeichnet wird, weiter erschwert. Patienten mit diesem Signal sollten so schnell wie möglich behandelt werden, während Patienten ohne dieses Signal weitere zeitaufwändige Tests benötigen.
Keiner dieser Schritte ist einfach. Tatsächlich werden sie alle durch unregelmäßige oder ungewöhnliche Herzschläge, durch Rauschen und durch Datenverfälschung erschwert, die alle in einer Notaufnahmeumgebung üblich sind.
Daher ist es vielleicht nicht verwunderlich, dass Menschen in all diesem Chaos Maschinen deutlich übertreffen.
Aber in den letzten Jahren haben neuronale Netze erhebliche Fortschritte bei Mustererkennungsproblemen wie der Gesichts- und Objekterkennung gemacht. Daher besteht ein großes Interesse daran, diese Techniken auf medizinische Daten anzuwenden, bei denen auch die Mustererkennung das Ziel ist.
Strodthoff und Strodthoff haben genau das mit einer Datenbank von 148 EKG-Aufzeichnungen von Patienten mit Myokardinfarkt und 52 gesunden Kontrollpersonen getan. Sie verwendeten eine Sliding-Window-Technik, um Daten in ein neuronales Netzwerk einzuspeisen. Jedes Fenster enthielt mindestens drei Herzschläge.
Das Team verwendete 90 Prozent der Daten, um ein neuronales Netzwerk darauf zu trainieren, die Anzeichen eines Herzinfarkts zu erkennen.
Der Rest der Daten wurde verwendet, um das Netzwerk zu testen, mit interessanten Ergebnissen. Die vorgeschlagene Architektur übertrifft die aktuellen State-of-the-Art-Ansätze für diesen Datensatz und erreicht für diese Aufgabe ein ähnliches Leistungsniveau wie menschliche Kardiologen, sagen Strodthoff und Strodthoff.
Darüber hinaus neigen die Maschinen dazu, sich bevorzugt auf die Daten derselben Ableitungen zu verlassen, auf die sich menschliche Kardiologen zu verlassen gelernt haben.
Dieses beeindruckende Ergebnis zeigt das Potenzial intelligenter Maschinen, die Gesundheitsversorgung dramatisch zu verbessern. Aber es ist natürlich nicht perfekt.
Ein mögliches Problem besteht darin, dass der hier verwendete Datensatz relativ klein ist. Algorithmen für maschinelles Lernen erfordern im Allgemeinen riesige annotierte Datensätze, um gut zu lernen. Das Erstellen größerer Datensätze der Herzinfarktaufzeichnungen wird zeitaufwändig und schwierig sein. Aber nur mit größeren Datensätzen können Kliniker sicher sein, dass die Algorithmen in den vielfältigen chaotischen Umgebungen, in denen Ärzte arbeiten, genau sind.
Aber das Potenzial ist riesig. Maschinen können menschliche Ärzte von der Langeweile und Komplexität der Medizin entlasten – und das ohne Ermüdung. Und der von Strodthoff und Strodthoff entwickelte Ansatz ist generisch auf alle Zeitreihen-Klassifizierungsprobleme von Rohdaten von Geräten wie EKGs und EEGs anwendbar, die in der Medizin reichlich vorhanden sind. Es sind also andere Anwendungen möglich
Das bedeutet, dass es sicherlich nicht lange dauern wird, bis die meisten von uns zumindest teilweise von Maschinen diagnostiziert werden.
Ref: arxiv.org/abs/1806.07385 : Erkennen und Interpretieren von Myokardinfarkten mit vollständig konvolutionellen neuronalen Netzwerken