Neue Multiview-KI-Architektur verbessert die Genauigkeit der Diagnose von Herzerkrankungen

Herzerkrankungen sind weltweit die häufigste Todesursache bei Erwachsenen, weshalb die Diagnose und Behandlung von Herz-Kreislauf-Erkrankungen eine globale Gesundheitspriorität darstellt. Ein Echokardiogramm oder Herzultraschall ist eines der am häufigsten von Ärzten verwendeten bildgebenden Verfahren zur Diagnose einer Vielzahl von Herzerkrankungen und -beschwerden.

Die meisten Standard-Echokardiogramme liefern zweidimensionale visuelle Bilder (2D) der dreidimensionalen (3D) Herzanatomie. Diese Echokardiogramme erfassen oft Hunderte von 2D-Schnitten oder Ansichten eines schlagenden Herzens, die es Ärzten ermöglichen können, klinische Beurteilungen über die Funktion und Struktur des Herzens vorzunehmen.

Um die diagnostische Genauigkeit von Herzerkrankungen zu verbessern, wollten Forscher der UC San Francisco herausfinden, ob tiefe neuronale Netze (DNNs), eine Art KI-Algorithmus, neu gestaltet werden könnten, um komplexe 3D-Anatomie und Physiologie aus mehreren Bildansichten gleichzeitig besser zu erfassen. Sie entwickelten eine neue „Multiview“-DNN-Struktur bzw. -Architektur, um es zu ermöglichen, Informationen aus mehreren Bildansichten gleichzeitig zu ziehen, anstatt den aktuellen Ansatz, nur eine einzige Ansicht zu verwenden. Anschließend trainierten sie Demonstrations-DNNs mithilfe dieser Architektur, um Krankheitszustände für drei Herz-Kreislauf-Erkrankungen zu erkennen: links- und rechtsventrikuläre Anomalien, diastolische Dysfunktion und Herzklappeninsuffizienz.

In einer am 17. März veröffentlichten StudieNatur-Herz-Kreislauf-Forschungverglichen die Forscher die Leistung von DNNs, die Daten entweder aus einer Einzelansicht oder aus mehreren Ansichten der Echokardiogramme von UCSF und dem Montreal Heart Institute analysierten. Sie fanden heraus, dass DNNs, die auf mehreren Ansichten trainiert wurden, die diagnostische Genauigkeit im Vergleich zu DNNs, die auf einer einzelnen Ansicht trainiert wurden, verbesserten und den Krankheitszustand dieser Herzerkrankungen besser erfassten.

„Bisher wurde KI hauptsächlich dazu verwendet, jeweils eine 2D-Ansicht zu analysieren – entweder aus Bildern oder Videos –, was die Fähigkeit eines KI-Algorithmus einschränkt, krankheitsrelevante Informationen zwischen den Ansichten zu lernen“, sagte der leitende Studienautor Geoffrey Tison, MD, MPH, Kardiologe und Co-Direktor des UCSF Center for Biosignal Research. „DNN-Architekturen, die Informationen aus mehreren hochauflösenden Ansichten integrieren können, stellen einen bedeutenden Schritt zur Maximierung der KI-Leistung in der medizinischen Bildgebung dar. Im Fall der Echokardiographie müssen bei den meisten Diagnosen Informationen aus mehr als einer Ansicht berücksichtigt werden, da die Informationen aus einer einzelnen Ansicht nur einen Teil der Geschichte erzählen.“

Zur Beurteilung der Größe oder Funktion des linken Ventrikels (LV) erfasst beispielsweise die Echokardiogrammansicht, die alle Herzkammern gleichzeitig zeigt (A4c), bestimmte Wände des linken Ventrikels (inferoseptale und anterolaterale Wände) am besten, während eine andere senkrechte Echoansicht (A2c) andere wichtige Wände (vordere und untere Wände) erfasst. Oft erscheint die Funktion der LV-Wände auf der einen Seite völlig normal, auf der anderen Seite weist sie jedoch eine erhebliche Funktionsstörung auf. Für die von ihnen untersuchten Echokardiogramm-Aufgaben, wie die Identifizierung von links- und rechtsventrikulären Anomalien und diastolischer Dysfunktion, deuten die Ergebnisse der Forscher darauf hin, dass die Multiview-DNNs wahrscheinlich zusammenhängende Informationen zwischen Merkmalen aus jeder Ansicht lernen, um eine höhere Gesamtleistung zu erzielen.

Unsere neuronale Netzwerkarchitektur mit mehreren Ansichten ist ausdrücklich darauf ausgelegt, dem Modell das Erlernen komplexer Beziehungen zwischen Informationen in mehreren Bildansichten zu ermöglichen. Wir stellen fest, dass dieser Ansatz die Leistung für diagnostische Aufgaben in der Echokardiographie verbessert, aber diese neue KI-Architektur kann auch auf andere medizinische Bildgebungsmodalitäten angewendet werden, bei denen mehrere Ansichten komplementäre Informationen enthalten.“

Joshua Barrios, PhD, Erstautor der Studie, Assistenzprofessor, UCSF-Abteilung für Kardiologie

Die Forscher fanden außerdem heraus, dass die Mittelung der Vorhersagen von drei Single-View-DNNs die Leistung gegenüber einem Single-View-DNN verbessert und gleichzeitig weniger rechenintensiv ist und somit eine praktikable Alternative zum Training eines Multiview-DNN darstellt. Im Vergleich lieferte jedoch das Multiview-DNN die stärkste Leistung. Sie schlagen vor, dass zukünftige Forschungen untersuchen sollten, wie Multiview-DNN-Architekturen andere medizinische Aufgaben oder Bildgebungsmodalitäten unterstützen können.

Quellen: