KI-gestützte Diagnose von Herzinsuffizienz mit Röntgenaufnahmen des Brustkorbs

Herzinsuffizienz ist ein grosses Gesundheitsproblem, das viele Leute ins Krankenhaus bringt. Mit dem Alter der Bevölkerung nehmen die Fälle von Herzinsuffizienz zu. Diese Krankheit kann schwer zu diagnostizieren sein, weil die Symptome sehr unterschiedlich sind, besonders bei Patienten mit anderen gesundheitlichen Schwierigkeiten. Ärzte erkennen diese Anzeichen nicht immer, vor allem wenn sie mit Herzkrankheiten nicht vertraut sind.

Es gibt mehrere Tests, die helfen können, Herzinsuffizienz zu diagnostizieren. Röntgenaufnahmen des Brustkorbs sind gebräuchlich und schnell zu machen, aber die Interpretation dieser Bilder erfordert Können. Ausserdem zeigen sie nicht immer zuverlässig Herzinsuffizienz. Ein weiterer Test misst die Werte des natriuretischen Peptids, einer Substanz, die bei der Diagnose und Behandlung von Herzinsuffizienz hilft. Allerdings benötigt man spezielle Geräte für den Test auf natriuretisches Peptid, die vielleicht nicht immer verfügbar sind, besonders nachts oder am Wochenende.

Wir hoffen, automatisierte Werkzeuge zu entwickeln, um Gesundheitsdienstleister bei der schnellen und kostengünstigen Diagnose von Herzinsuffizienz zu unterstützen. Mit den Fortschritten in der künstlichen Intelligenz (KI) und Computertechnologie können wir neue Wege zur Verbesserung dieses Prozesses erkunden. KI-Algorithmen, insbesondere Deep-Learning-Modelle, haben vielversprechende Ergebnisse beim Erkennen von Mustern in Bildern gezeigt. Unsere Studie zielte darauf ab, Röntgenbilder des Brustkorbs zusammen mit einem KI-Modell zu nutzen, um bei der Diagnose von Herzinsuffizienz zu helfen und dies mit der Genauigkeit erfahrener Kardiologen zu vergleichen.

#Studienpatienten und Datensammlung

Wir haben unsere Studie in zwei Krankenhäusern in Hiroshima, Japan, über einen Zeitraum von einem Jahr durchgeführt. Patienten, die am selben Tag sowohl ein Röntgenbild des Brustkorbs als auch einen Test auf natriuretisches Peptid hatten, wurden für die Studie ausgewählt. Wir konzentrierten uns auf die Werte des natriuretischen Peptids, speziell den BNP-Test, da dieser in diesen Krankenhäusern die bevorzugte Wahl zur Bewertung von Herzinsuffizienz ist.

Wir haben die medizinischen Unterlagen der geeigneten Patienten überprüft, um Daten zu sammeln. Wir haben verschiedene Bedingungen betrachtet, die die Röntgenbilder des Brustkorbs beeinflussen könnten. Zum Beispiel haben wir Bilder aus unterschiedlichen Winkeln und Patientenn Positionen einbezogen-ob sie stehend, sitzend oder liegend waren. Seitenansichten haben wir in dieser Studie nicht berücksichtigt.

Unser Hauptziel war es, einen BNP-Wert von 200 pg/mL zu nutzen, um die Bilder für den Hauptteil der Studie zu klassifizieren und 100 pg/mL für eine Unterstudie. Wir haben jedes Röntgenbild des Brustkorbs mit einem binären Ergebnis basierend auf diesen Grenzwerten gekennzeichnet. Die Daten, die für das Training und die Validierung unserer KI-Modelle verwendet wurden, kamen aus einem Krankenhaus, während das andere Krankenhaus einen externen Testdatensatz bereitstellte.

#Entwicklung des KI-Modells

Wir haben unser KI-Modell sorgfältig entworfen, das 31 modifizierte, vortrainierte Bildverarbeitungsmodelle umfasst. Diese Modelle wurden als schwache Lernende eingesetzt, um hohe BNP-Werte aus Röntgenbildern des Brustkorbs vorherzusagen. Wir haben ihre Vorhersagen kombiniert, um ein finales Ensemblemodell zu erstellen. Das bedeutet, wir haben die Ergebnisse der verschiedenen Modelle gemittelt, um die Genauigkeit zu erhöhen.

Um die Leistung unserer Modelle zu testen, haben wir mehrere Metriken berechnet, darunter Genauigkeit, Präzision, Sensitivität und Spezifität. Wir haben Receiver Operating Characteristic (ROC)-Kurven erstellt, um zu visualisieren, wie effektiv unser KI-Modell erhöhte BNP-Werte identifizieren konnte.

#Bewertung der menschlichen Leistung

Wir wollten auch sehen, wie menschliche Ärzte bei der Vorhersage von BNP-Werten aus Röntgenbildern des Brustkorbs abschneiden. Wir haben Freiwillige aus dem Krankenhauspersonal eingeladen, an unseren Tests teilzunehmen. Sie erhielten eine Schulung, wie man Anzeichen von Herzinsuffizienz in Röntgenbildern des Brustkorbs erkennt und wurden Beispiele mit den entsprechenden BNP-Werten gezeigt.

Die Teilnehmer bewerteten 100 Röntgenbilder des Brustkorbs aus unserem Testdatensatz. Die Bilder enthielten gleiche Zahlen von solchen mit BNP-Werten über und unter dem Grenzwert. Nach ihrer ersten Einschätzung zeigten wir ihnen die Vorhersagen, die unser KI-Modell gemacht hatte, und baten sie, die Bilder erneut zu bewerten.

Unser KI-Modell hatte eine Genauigkeit von 86%, was die menschlichen Teilnehmer um 10 bis 20% übertraf. Die menschlichen Teilnehmer umfassten Ärzte mit unterschiedlichen Erfahrungsgraden, und wir bemerkten signifikante Unterschiede in der Genauigkeit, basierend auf ihrem Hintergrund.

#Statistische Analyse

Wir haben unsere Daten mit statistischer Software und Methoden analysiert, um die Genauigkeit und Bedeutung unserer Ergebnisse zu bestimmen. Wir haben die Ergebnisse in leicht lesbaren Formaten dargestellt und zusammenfassende Statistiken sowohl für kontinuierliche als auch für kategoriale Variablen einbezogen.

#Grundlegende Merkmale

Die Studie umfasste 1.607 Patienten mit verschiedenen Diagnosen wie Herzinsuffizienz, koronare Herzkrankheit und anderen. Wir haben über 10.000 Röntgenbilder des Brustkorbs gesammelt, die auf Trainings-, Validierungs- und Testdatensätze verteilt waren.

#Leistung des KI-Modells

Die Leistung unserer KI-Modelle war vielversprechend. Das finale Ensemblemodell erreichte hohe Genauigkeit und Präzision bei der Vorhersage erhöhter BNP-Werte aus Röntgenbildern des Brustkorbs. Das Modell schnitt nicht nur gut bei Erkennungsaufgaben ab, sondern identifizierte auch wichtige Merkmale, die mit Herzinsuffizienz zusammenhängen.

#Ergebnisse der menschlichen Leistung

Von den 35 Teilnehmern bei unseren menschlichen Tests waren viele sehr erfahrene Ärzte. Die Leistung des KI-Modells war im Vergleich zu den Teilnehmern überlegen, selbst nachdem sie KI-Unterstützung erhalten hatten. Wir fanden heraus, dass Ärzte zwar eine bessere Genauigkeit als Nicht-Ärzte ohne KI-Hilfe hatten, der Abstand sich jedoch verkleinerte, wenn KI-Vorhersagen eingeführt wurden.

Interessanterweise übertrafen einige unerfahrene Teilnehmer erfahrene Experten, als sie KI-Unterstützung verwendeten. Das zeigte, wie wertvoll KI sein kann, um weniger erfahrenen Praktikern bei der genauen Diagnose zu helfen.

#Diskussion der Ergebnisse

Unsere Studie hebt das grosse Potenzial von KI bei der Unterstützung der Diagnose von Herzinsuffizienz durch Brustkorbröntgenaufnahmen hervor. Die Ergebnisse zeigten, dass KI-Modelle selbst erfahrene Kardiologen bei der Vorhersage erhöhter BNP-Werte übertreffen konnten.

Die verwendeten Modelle erfassten relevante Merkmale in Röntgenbildern des Brustkorbs, die zuvor mit Herzinsuffizienz in Verbindung gebracht wurden. Obwohl KI Ärzte nicht ersetzen kann, kann sie als hilfreiches Werkzeug dienen, um die diagnostische Genauigkeit zu verbessern.

Eine wichtige Erkenntnis war, dass die Akzeptanz und der richtige Einsatz von KI-Tools je nach Erfahrungsgrad unterschiedlich sein kann. Während weniger erfahrene Personen bereit waren, sich an KI-Vorschläge anzupassen, könnten Experten zögern, möglicherweise aufgrund von Übervertrauen in ihre Fähigkeiten.

#Studienbeschränkungen

Es ist wichtig, einige Einschränkungen unserer Studie zu beachten. Wir konzentrierten uns hauptsächlich auf binäre Vorhersagen von BNP-Werten, die möglicherweise nicht alle Aspekte der Diagnose von Herzinsuffizienz erfassen. Die ausgewählten Grenzwerte sollten je nach spezifischer Situation anpassbar sein.

Die Verwendung von Röntgenaufnahmen zur Diagnose von Herzinsuffizienz ist nur ein Teil der vielen Faktoren, die eine Rolle spielen. Daher sollte unser KI-Modell, obwohl es vielversprechend ist, in Verbindung mit anderen Methoden eingesetzt werden, um die besten Ergebnisse zu erzielen.

#Fazit

Unsere Ergebnisse legen nahe, dass KI effektiv erhöhte BNP-Werte aus Röntgenbildern des Brustkorbs vorhersagen kann und damit wertvolle Unterstützung für Gesundheitsdienstleister bei der Diagnose von Herzinsuffizienz bietet. Die Kluft in der Anwendung neuer Technologien zeigt den Bedarf an Schulung und Akzeptanz von KI-Tools unter medizinischen Fachkräften.

Da sich KI weiterentwickelt, hat sie das Potenzial, unsere Herangehensweise an das Gesundheitswesen zu verändern, indem sie die diagnostische Genauigkeit verbessert und zu besseren Patientenergebnissen weltweit führt.