US-Forscher haben ein KI-Modell entwickelt, um die Erkennungsrate von fetalen Herzkrankheiten im zweiten Trimester von 30 auf über 90 Prozent zu erhöhen.
US-Forscher haben ein KI-Modell entwickelt, um die Erkennungsrate von fetalen Herzkrankheiten im zweiten Trimester von 30 auf über 90 Prozent zu erhöhen.
Durchbruch: Biohub-Wissenschaftler rund um Rima Arnaout des "Chan Zuckerberg Biohub" in Kalifornien - in Kooperation mit dem "Boston Children’s Hospital" und der "Harvard School of Medicine" haben eine KI-Technik zum Screening auf angeborene Herzkrankheiten im Ultraschall des zweiten Trimesters entwickelt, die zu 96 Prozent genau ist. Gegenwärtige Ansätze zur Erkennung fetaler Herzprobleme liegen heute bei rund 30 Prozent Genauigkeit. Das KI-Modell der Forscher ist auch schnell genug, um sich in der klinischen Praxis umfassend in Ultraschall-Software integrieren zu lassen.
Angeborene Herzkrankheiten gelten als der häufigste Geburtsfehler. Fetaler Ultraschall wird weltweit empfohlen, einschließlich fünf Ansichten des Herzens, die zusammen 90 Prozent der Herzkrankheiten erkennen könnten. In der Praxis betrage laut Arnaout die Empfindlichkeit jedoch nur 30 Prozent. "Wir stellten die Hypothese auf, dass schlechte Erkennungsergebnisse auf Herausforderungen bei der Erfassung und Interpretation von Herzansichten in diagnostischer Qualität zurückzuführen sind, und dass 'Deep Learning' die komplexe Erkennung verbessern könnte. Unter Verwendung von 107.823 Bildern aus 1.326 retrospektiven Echokardiogrammen und Untersuchungen von 18 bis 24-wöchigen Feten trainierten wir ein Ensemble neuronaler Netze, um empfohlene Herzansichten zu identifizieren und zwischen normalen Herzen und komplexer Herzkrankheiten zu unterscheiden", so die Forscherin in ihrem "Paper".
Technisch verwendete das Team Segmentierungsmodelle, um standardmäßige fetale kardiothorakale Messungen zu berechnen. Die Empfindlichkeit blieb laut dem Forschungsteam bei externen Bildern mit geringerer Qualität robust. Herzmessungen korrelierten mit den angegebenen Messungen für normale und abnormale Herzen. Auf die von Richtlinien empfohlene Bildgebung angewendet, sollen Ensemble-Lernmodelle die Erkennung fetaler Herzkrankheiten erheblich verbessern und die Telemedizinoptionen für die Schwangerschaftsvorsorge in einer Zeit erweitern, in der die COVID-19-Pandemie den Zugang der Patienten zu geschulten Anbietern weiter eingeschränkt hat, so die Hoffnung. "Dies ist die erste Anwendung von Deep Learning, um die klinische Standardleistung bei einer kritischen und globalen diagnostischen Herausforderung zu verdoppeln", so Arnaout weiter.
Für die Forschungsarbeit wurden fetale Echokardiogramme und fetale Untersuchungen - wie geburtshilfliche Anatomiescans im zweiten Trimester, die von Sonographen, Radiologen und Ärzten von 2000 bis 2019 durchgeführt wurden - verwendet. Die Bilder stammten von Ultraschallgeräten von GE, Siemens, Philips und Hitachi. Die Veröffentlichung der Erkenntnisse gilt allerdings noch als "preprint" und muss als medizinische Forschungsarbeit noch evaluiert werden.