Ein neues multimodales Deep-Learning-Modell der UCSF analysiert Herzultraschall-Aufnahmen aus mehreren Perspektiven gleichzeitig – und übertrifft dabei bisherige KI-Ansätze in der Erkennung schwerwiegender Herzerkrankungen deutlich. Die Studie erschien in Nature Cardiovascular Research und könnte die automatisierte Herzdiagnostik nachhaltig verändern.
Deep Learning erkennt Herzerkrankungen aus Echokardiographie-Aufnahmen
Ein multimodales Deep-Learning-Modell verbessert die automatisierte Erkennung schwerwiegender Herzerkrankungen aus Ultraschallbildern des Herzens erheblich. Die in Nature Cardiovascular Research veröffentlichte Studie zeigt, dass die gleichzeitige Auswertung mehrerer Aufnahmeperspektiven – sogenannte Multiview-Analyse – die diagnostische Genauigkeit gegenüber Einzelansichten deutlich steigert.
Mehrperspektivische Analyse als Schlüssel
Echokardiographien werden in der klinischen Praxis standardmäßig aus verschiedenen Winkeln aufgezeichnet, um ein vollständiges Bild der Herzfunktion zu erhalten. Bisherige KI-Ansätze werteten diese Perspektiven häufig isoliert aus. Das von Forschern der University of California San Francisco (UCSF) entwickelte Modell integriert hingegen mehrere Aufnahmeebenen simultan in ein gemeinsames neuronales Netz – ähnlich der Vorgehensweise erfahrener Kardiologen, die alle verfügbaren Ansichten in ihre Diagnose einbeziehen.
Das Modell wurde auf einem umfangreichen Datensatz trainiert und auf die Erkennung mehrerer bedeutender Herzerkrankungen optimiert, darunter:
- Herzinsuffizienz mit reduzierter Ejektionsfraktion
- Kardiomyopathien
- Klappenfehler
Die Multiview-Architektur erzielte in allen getesteten Krankheitsbildern bessere Ergebnisse als Vergleichsmodelle, die nur einzelne Perspektiven verarbeiteten.
Klinische Relevanz und Validierung
Die Autoren um Joshua P. Barrios und Geoffrey H. Tison validierten das Modell auf externen Datensätzen und konnten zeigen, dass die Leistungssteigerung nicht auf Überanpassung an Trainingsdaten zurückzuführen ist.
Besonders bei seltener vorkommenden Erkrankungen, bei denen klinische Erfahrung schwerer zu akkumulieren ist, zeigte das Multiview-Verfahren klare Vorteile.
Die Studie adressiert damit ein bekanntes Problem im medizinischen KI-Bereich: Modelle, die auf einzelnen Modalitäten oder Perspektiven trainiert werden, erreichen oft keine ausreichende Generalisierbarkeit für den klinischen Einsatz. Durch die Integration aller verfügbaren Bildebenen soll das Modell robuster gegenüber variierenden Aufnahmequalitäten und Geräteherstellern werden.
Einordnung in den breiteren Kontext
Echokardiographie gehört zu den am häufigsten eingesetzten bildgebenden Verfahren in der Kardiologie, ist jedoch in der Interpretation zeitaufwändig und stark abhängig von der Expertise des auswertenden Arztes. Automatisierte Analysewerkzeuge könnten insbesondere in folgenden Bereichen entlastend wirken:
- Erstbefundung im klinischen Alltag
- Screenings in Primärversorgungseinrichtungen
- Regionen mit Facharztmangel
Mehrere Unternehmen – darunter Ultromics, Caption Health (inzwischen von GE HealthCare übernommen) sowie das israelische DiA Imaging Analysis – haben bereits kommerzielle KI-Lösungen für die Echokardiographie-Auswertung auf den Markt gebracht. Der UCSF-Ansatz erweitert diesen Wettbewerb um einen methodisch differenzierten Beitrag mit publizierten Validierungsergebnissen.
Perspektive für deutsche Unternehmen und Einrichtungen
Für deutsche Krankenhäuser, Medizintechnikunternehmen und Health-IT-Anbieter ist die Studie aus mehreren Gründen relevant:
Die Veröffentlichung unter Creative-Commons-Lizenz macht die Grundlagenarchitektur öffentlich zugänglich – eine Basis, auf der spezialisierte Anbieter direkt aufbauen können.
Einerseits unterstreicht die Studie den zunehmenden Reifegrad KI-gestützter Bildanalyse in der Kardiologie und den damit verbundenen regulatorischen Druck, eigene Lösungen auf vergleichbare Validierungsstandards zu heben. Andererseits sollten Unternehmen im Bereich der medizinischen Bildverarbeitung die Anforderungen der EU-KI-Verordnung sowie der MDR (Medical Device Regulation) frühzeitig in ihre Entwicklungsplanung integrieren, wenn derartige Modelle den Weg in die klinische Anwendung finden sollen.
Quelle: Nature Cardiovascular Research – Barrios et al. (2025)
