Vergleichende Bewertung von Deep-Learning-Modellen zur Diagnose und Klassifikation von Herz-Kreislauf-Erkrankungen

Warum intelligentere Herzuntersuchungen wichtig sind

Herzkrankheiten sind nach wie vor die weltweit führende Todesursache, doch die Signale, die auf Probleme hinweisen, verbergen sich häufig in winzigen Ausschlägen eines Elektrokardiogramms (EKG). Ärztinnen und Ärzte können diese Kurven lesen, doch die visuelle Auswertung ist langsam, ermüdend und anfällig für übersehene Details – besonders wenn tausende Herzschläge von Monitoren im Krankenhaus oder tragbaren Geräten einströmen. Diese Studie untersucht, ob künstliche Intelligenz nicht nur die Leistung von Expertinnen und Experten beim Lesen von EKGs erreichen kann, sondern dies mit so geringen Rechenanforderungen tut, dass sie in Echtzeit auf alltäglichen klinischen Rechnern und sogar kompakten Geräten laufen könnte.

Den Herzschlag im digitalen Zeitalter lesen

Herz-Kreislauf-Erkrankungen umfassen ein breites Spektrum an Problemen, von Herzinfarkten und Herzinsuffizienz bis hin zu Rhythmusstörungen und Klappenfehlern. Gemeinsam verursachen sie etwa ein Drittel aller Todesfälle weltweit. EKGs gehören zu den kostengünstigsten und am weitesten verbreiteten Instrumenten der Medizin, um diese Zustände früh zu erkennen, da sie die elektrische Aktivität des Herzens in Echtzeit aufzeichnen. Moderne Gesundheitsversorgung erzeugt jedoch inzwischen mehr EKG-Daten, als menschliche Expertinnen und Experten komfortabel überprüfen können. Die Autorinnen und Autoren argumentieren, dass intelligente Computersysteme nötig sind, um diese Flut von Signalen zu sichten, Frühwarnzeichen hervorzuheben und Ärztinnen und Ärzte zu unterstützen, ohne sie zu ersetzen.

Maschinen das Erkennen kranker Herzen beibringen

Die Forschenden nutzten eine öffentliche EKG-Sammlung, bekannt als PTB-ECG-Datensatz, der Aufzeichnungen von 290 Personen im Alter von 17 bis 87 Jahren mit verschiedenen Herzerkrankungen enthält. Jeder Datensatz ist mit detaillierten klinischen Informationen verknüpft, und die EKGs sind in acht Krankheitsgruppen eingeteilt, etwa Herzinfarkt, Herzinsuffizienz, Rhythmusstörungen und Klappenerkrankungen sowie gesunde Fälle. Statt die Signale in Bilder umzuwandeln, fütterte das Team die EKG-Wellenformen direkt in mehrere Typen von Deep-Learning-Modellen, darunter Faltungsnetzwerke, speicherbasierte Netze und Hybride, die diese Stärken kombinieren. Alle Modelle standen vor derselben Aufgabe: allein aus dem elektrischen Muster zu entscheiden, welche Art von Herzproblem ein Patient vermutlich hat.

Leistungsstarke Modelle so leicht machen, dass sie mitreisen können

Eine zentrale Herausforderung bestand nicht nur in Genauigkeit, sondern auch in Sparsamkeit. Viele leistungsstarke KI-Modelle erfordern hohe Rechenleistung, was für Bettmonitore, Krankenwagen oder tragbare Geräte unpraktisch ist. Um die Arbeitslast zu reduzieren, bereinigten die Autorinnen und Autoren zunächst die EKGs, filterten langsame Drift und Störgeräusche heraus und verringerten die Abtastrate. Anschließend nutzten sie eine mathematische Technik, die Wavelet-Transformation, um jeden Herzschlag in kompakte numerische Merkmale zu destillieren, die wichtige Details bewahren. Sie korrigierten außerdem für unausgewogene Daten—bei denen einige Krankheiten seltener sind—indem sie sorgfältig synthetisierte Beispiele unterrepräsentierter Bedingungen im Trainingssatz erzeugten. Diese Kombination aus Signalbereinigung, intelligenter Merkmalextraktion und Datenbalancierung ermöglichte es den Modellen, mit einem wesentlich kleineren, informativeren Input zu arbeiten.

Welcher digitale Leser war am besten?

Das Team verglich fünf Modellfamilien: ein für eindimensionale Signale abgestimmtes Faltungsnetzwerk, ein klassisches mehrschichtiges Perzeptron, ein Long Short-Term Memory (LSTM)-Netzwerk, das auf Zeitreihen spezialisiert ist, und zwei Hybride, die Faltungsschichten mit entweder einem Perzeptron oder einem LSTM verknüpfen. Sie bewerteten jede Methode mit bekannten Kennzahlen wie Genauigkeit, Präzision, Recall und dem F1-Score und – entscheidend – durch Zählen der mathematischen Operationen, die das Modell pro Eingabe benötigte. Alle Modelle erreichten sehr hohe Genauigkeiten—über 99 %—doch das LSTM stach hervor. Es kombinierte nahezu perfekte Präzision bei der Identifikation kranker Herzen mit der geringsten Rechenlast unter den Kandidaten und zeigte, dass das Verfolgen der zeitlichen Entwicklung des Herzschlags sowohl klug als auch effizient sein kann.

Was das für die tägliche Versorgung bedeutet

Vereinfacht zeigt die Studie, dass ein sorgfältig gestaltetes KI-System EKGs mit außergewöhnlicher Zuverlässigkeit lesen kann, ohne ein rechenhungriger Supercomputer zu sein. Indem die Autoren die erforderlichen Berechnungen um drei Größenordnungen reduzierten, demonstrieren sie, dass schnelle, energieeffiziente Algorithmen dennoch die feinen Signaturen verschiedener Herzerkrankungen erfassen können. Unter ihnen bot das auf LSTM basierende Modell das beste Gleichgewicht zwischen Intelligenz und Ressourcenbedarf und ist damit ein vielversprechender Kandidat für den Einsatz in Echtzeitüberwachung im Krankenhaus, tragbaren Scannern und tragbaren Herzpflastern. Mit weiteren Tests an größeren und vielfältigeren Patientengruppen könnten solche schlanken, aber genauen Werkzeuge dazu beitragen, fachärztliche Herz-Screenings in mehr Kliniken, Krankenwagen und Haushalte weltweit zu bringen.

Zitation: Bhia, I., Soltanizadeh, S. & Shafik, W. Comparative evaluation of deep learning models for cardiovascular disease diagnosis and classification. Sci Rep 16, 12522 (2026). https://doi.org/10.1038/s41598-026-43543-3

Schlüsselwörter: Herz-Kreislauf-Erkrankung, Elektrokardiogramm, Deep Learning, medizinische Diagnose, tragbare Gesundheit