Ein weiterer Schritt in Richtung zugänglicher Gesundheitsvorsorge für strukturschwache Regionen: Automatische Analyse von Tonaufnahmen des Herzens

Zielsetzung: Angesichts der Tatsache, dass Herz-Kreislauf-Erkrankungen (CVDs) weltweit eine große Herausforderung für die Gesundheit darstellen, ist die Früherkennung von entscheidender Bedeutung. Unser Beitrag untersucht das Potenzial der Nutzung von Phonokardiogrammen (PCGs) zur Erkennung von Herzgeräuschen, einem wichtigen Indikator für Herz-Kreislauf-Erkrankungen, unter Verwendung eines innovativen, erklärbaren Multitasking-Modells.

Vorgehensweise: Das zweistufiges Multitasking-Modell integriert Multiple Instance Learning (MIL) und ermöglicht es uns, das Vorhandensein von Herzgeräuschen in einzelnen PCGs vorherzusagen und stichprobenartige Klassifizierungen aus minimalen Annotationen abzuleiten. Zusätzlich fusionieren wir erklärbare Merkmale mit einem Pooling-basierten künstlichen neuronalen Netzwerk (PANN), was zu robusten Vorhersagen von Geräuschen und klinischen Ergebnissen über mehrere PCG-Aufzeichnungen führt.

Ergebnisse: Durch strenge qualitative und quantitative Analysen zeigen wir die Wirksamkeit des MIL-Ansatzes bei der Generierung wertvoller Merkmale und der Erkennung von Geräuschen über verschiedene Zeitpunkte hinweg. Unser Modell erreichte bemerkenswerte Leistungskennzahlen, darunter eine gewichtete Genauigkeit von 0,714 und Kosten von 13612 auf dem CirCor-Datensatz.

Bedeutung: Diese Forschungsarbeit zeigt als erste den Nutzen von MIL in der PCG-Klassifikation. Darüber hinaus erleichtert die Erklärbarkeit unseres Modells die quantitative Analyse, mindert Confirmation Bias und erhöht das Vertrauen in die Vorhersageergebnisse. Letztendlich unterstreichen unsere Ergebnisse das Potenzial von MIL in Kombination mit handgefertigten Merkmalen, sowohl die Erklärbarkeit von Machine Learning Modellen im Bereich Vorsorge als auch deren Vorhersagekraft zu verbessern.

Lesen Sie den vollständigen Artikel hier