Eine gemeinsame CNN‑Bi‑LSTM‑Transformer‑Architektur mit SHAP‑Erklärungen zur Mehrfach‑Arrhythmieerkennung aus 12‑Kanal‑EKGs

Warum das Abtasten des Herzrhythmus uns alle betrifft

Herzrhythmusstörungen sind eine der Hauptursachen für plötzlichen Herztod, trotzdem stützt sich der wichtigste Test zu ihrer Erkennung – das 12‑Kanal‑Elektrokardiogramm (EKG) – nach wie vor stark auf zeitlich begrenzte menschliche Expertinnen und Experten. Diese Studie stellt ein künstliches Intelligenzsystem vor, das standardmäßige EKGs gleichzeitig auf viele verschiedene Rhythmusstörungen durchsuchen, seine Befunde in für Ärztinnen und Ärzte verständlichen Begriffen erklären und schnell genug arbeiten kann, um in Wearables oder Telemedizin‑Plattformen eingesetzt zu werden. Für Patientinnen und Patienten könnte das frühere Warnungen vor gefährlichen Rhythmen bedeuten; für klinisch Tätige verspricht es eine unermüdliche Assistenz, die nicht nur auf Probleme hinweist, sondern auch zeigt, warum.

Das Herz mit vielen Ohren abhören

Ein 12‑Kanal‑EKG erfasst die elektrische Aktivität des Herzens aus mehreren Blickwinkeln mithilfe von Elektroden auf Brust und Gliedmaßen. Jeder Herzschlag erzeugt ein charakteristisches Wellenmuster, das offenlegt, wie Signale durch die Herzkammern laufen. Kleine Verzerrungen in diesen Mustern können auf Zustände von harmlosen Varianten bis zu lebensbedrohlichen Störungen hinweisen. Das Interpretieren dieser subtilen Veränderungen über viele Ableitungen und lange Aufzeichnungen hinweg ist anspruchsvoll, und Befunde können zwischen Expertinnen und Experten variieren. Gleichzeitig stützt sich die moderne Versorgung zunehmend auf kontinuierliche Überwachung in Krankenhäusern, zu Hause und in Wearables, wodurch mehr Daten anfallen, als Kliniker realistisch manuell prüfen können.

Einem digitalen Assistenten beibringen, komplexe Herzsignale zu lesen

Die Forschenden entwickelten ein Deep‑Learning‑Modell, das rohe 12‑Kanal‑EKG‑Segmente als Eingabe nimmt und lernt, 27 klinisch relevante Rhythmus‑ und Leitungssstörungen zu erkennen. Zuerst wurden mehr als 43.000 fachmännisch beschriftete Aufzeichnungen aus der großen PhysioNet/Computing in Cardiology 2020‑Sammlung vorverarbeitet. Signale verschiedener Krankenhäuser verwendeten unterschiedliche Abtastraten und enthielten Rauschen, fehlende Werte und gelegentliche Ausreißer. Das Team brachte alle EKGs auf eine einheitliche Abtastrate, entfernte Baseline‑Drift und elektrische Störungen, füllte Lücken nach statistisch fundierten Regeln und segmentierte die Daten in sich überlappende viersekündige Fenster. Diese Fensterlänge erwies sich als lang genug, um wichtige Rhythmusmuster zu erfassen, zugleich aber kurz und effizient genug für Echtzeitanalysen.

Wie das geschichtete Modell Raum, Zeit und Kontext sieht

Der Kern des Systems ist eine Kette aus drei komplementären neuronalen Netzwerkmodulen. Konvolutionale Schichten fungieren als Musterdetektoren und durchsuchen jede Ableitung nach Formen wie scharfen Spitzen, verbreiterten Komplexen oder verzerrten Segmenten. Danach verfolgen bidirektionale Long‑Short‑Term‑Memory‑(Bi‑LSTM‑)Schichten, wie sich diese Merkmale über die Zeit entwickeln, indem sie den Rhythmus vorwärts und rückwärts beobachten, um unregelmäßige Intervalle und Übergänge zwischen Schlägen zu erfassen. Schließlich wendet ein Transformer‑Block einen Aufmerksamkeitsmechanismus an, der sich auf weit auseinanderliegende, aber zusammenhängende Signalfragmente über alle Ableitungen gleichzeitig konzentrieren kann und Verbindungen herstellt, die auf überlappende Zustände hinweisen. Zusammen wandeln diese Schichten jedes kurze EKG‑Fenster in eine kompakte Darstellung um, aus der das Netzwerk das Vorliegen jeder der 27 Arrhythmie‑ und Leitungs‑Kategorien in einem Multi‑Label‑Ansatz abschätzt.

Die Black Box mit sinnvollen Hervorhebungen öffnen

Um die Entscheidungen des Systems verständlich zu machen, integrierten die Autoren eine Technik namens SHAP, die berechnet, wie sehr jeder Abschnitt des EKGs zu einer bestimmten Vorhersage beigetragen hat. Nach dem Training nutzten sie SHAP, um visuelle „Wichtigkeitskarten“ zu erzeugen, die bestimmte Wellenabschnitte und Ableitungen hervorheben, auf die sich das Modell in jedem Fall stützte. Diese Karten stimmten oft mit gängiger kardiologischer Argumentation überein: Beispielsweise betonte das System fehlende P‑Wellen und unregelmäßige Schlagintervalle bei der Identifikation von Vorhofflimmern oder verbreiterte QRS‑Komplexe und kompensatorische Pausen beim Erkennen ventrikulärer Extrasystolen. Diese Übereinstimmung deutet darauf hin, dass die KI nicht bloß Muster auswendig lernt, sondern sich auf dieselben physiologischen Hinweise konzentriert, die menschliche Expertinnen und Experten nutzen.

Leistung in der Praxis und zukünftiges Potenzial

In einer unabhängigen Testgruppe von Patientinnen und Patienten klassifizierte das Modell Rhythmen mit einer Gesamtgenauigkeit von etwa 91 % korrekt und hielt ein gutes Gleichgewicht zwischen dem Erfassen echter Probleme und der Vermeidung falscher Alarme für häufige und seltene Zustände aufrecht. Für gefährliche Arrhythmien wie ventrikuläre Extrasystolen und Vorhofflimmern war seine Fähigkeit, Abnormales von Normalem zu unterscheiden, außerordentlich hoch. Bemerkenswerterweise benötigt das komplette Modell weniger als zwei Megabyte Speicher und kann ein EKG‑Fenster in unter zehn Millisekunden analysieren, sodass es sich für den Einsatz in Bettmonitoren, ambulanten Aufzeichnungsgeräten oder sogar in intelligenten Wearables eignet. Kurz gesagt zeigt diese Arbeit, dass eine kompakte, erklärbare KI dabei helfen kann, standardmäßige EKGs über ein breites Spektrum von Herzrhythmusproblemen zu lesen, Klinikerinnen und Klinikern klare visuelle Begründungen zu liefern und zugleich den Weg für sicherere, besser zugängliche Herzüberwachung zu ebnen.

Zitation: Al-Bairmani, M.T., Yazdchi, M. & Nasimi, F. A joint CNN-Bi-LSTM-transformer architecture with SHAP explanations for multi-label arrhythmia detection from 12-lead ECGs. Sci Rep 16, 11123 (2026). https://doi.org/10.1038/s41598-026-40925-5

Schlüsselwörter: Elektrokardiogramm, Herzrhythmusstörung, Tiefes Lernen, erklärbare KI, kardiale Überwachung