Multizentrische Bewertung interpretierbarer KI zur Diagnose von Koronarer Herzkrankheit anhand von PET-Biomarkern

Warum Herzscan-KI wichtig ist

Die koronare Herzkrankheit, die durch Plaquebildung entsteht und den Blutfluss zum Herzen blockieren kann, bleibt weltweit eine der Hauptursachen für Herzinfarkte und Todesfälle. Moderne Bildgebungsverfahren wie PET/CT-Scans können Blutfluss, Herzfunktion und Kalkablagerungen in den Arterien sichtbar machen, doch die große Datenmenge kann selbst erfahrene Befunder überfordern. Diese Studie untersucht, wie ein interpretierbares Modell der künstlichen Intelligenz (KI) diese Informationen zu einem einzigen, leicht nutzbaren Score zusammenführen kann, der Ärztinnen und Ärzten hilft, gefährliche Verengungen genauer zu erkennen — und gleichzeitig klar anzeigt, welche Befunde seine Entscheidung antreiben.

Viele Herzsignale in einem Bild zusammenführen

Bei einem PET/CT-Herzscan können Ärztinnen und Ärzte sehen, wie gut das Blut während Ruhe und Belastung durch den Herzmuskel fließt, wie kräftig das Herz pumpt und wie viel Calcium — ein Hinweis auf langfristige Plaquebildung — in den Koronararterien vorhanden ist. Traditionell betrachten Kliniker diese Messungen einzeln und kombinieren sie dann im Kopf, um zu entscheiden, ob Arterien wahrscheinlich verengt sind. Diese mentale Integration ist schwierig und mitunter inkonsistent, und es gibt keinen allgemein akzeptierten Weg, Blutfluss, Perfusionsdefekte und Calciumwerte zu gewichten. Die Forschenden wollten ein KI-Tool entwickeln, das zehn routinemäßig verfügbare scanbasierte Messgrößen sowie das Geschlecht des Patienten zu einer einzigen Wahrscheinlichkeit zusammenfasst, dass signifikante Gefäßverschlüsse vorliegen.

Wie die Studie durchgeführt wurde

Das Team griff auf ein großes internationales Register mit 17.348 Patientinnen und Patienten zurück, die PET/CT-Herzscans erhalten hatten. Aus dieser Gruppe konzentrierten sie sich auf 1.664 Personen aus vier Zentren, die keine früheren Herzinfarkte oder Bypass-Operationen hatten und bei denen eine invasive Koronarangiographie durchgeführt wurde — der mit Kontrastmittel arbeitende Röntgentest, der als Standard zur Bestätigung von Gefäßverschlüssen dient. Die Daten eines Krankenhauses (386 Patientinnen/Patienten) wurden zur Ausbildung und Feinabstimmung des KI-Modells genutzt, während die Daten der anderen drei Krankenhäuser (1.278 Patientinnen/Patienten) für echte „außerhalb“-Tests zurückgehalten wurden. Das auf der Machine-Learning-Technik XGBoost basierende KI-Modell nutzte zehn aus dem Scan abgeleitete Merkmale, darunter Blutfluss unter Belastung, koronare Flow-Reserve, Größe der Perfusionsdefekte, automatisch aus CT-Bildern gemessene Calciumwerte, Pumpleistung und ein Maß dafür, wie sich die Herzgröße unter Belastung verändert.

Wie gut die KI abschnitt

In der externen Testgruppe, in der etwa die Hälfte der Patientinnen und Patienten tatsächlich eine obstruktive koronare Herzkrankheit hatte, übertraf das KI-Modell deutlich sowohl Einzelmessungen als auch erfahrene Ärztinnen und Ärzte. Gemessen mit einer gebräuchlichen Genauigkeitsmetrik, der Fläche unter der Receiver-Operating-Characteristic-Kurve, erreichte die KI einen Wert von 0,83, verglichen mit 0,80 für klinische Experten-Scores, 0,79 für die wichtigste Perfusionsgröße, 0,75 für die Flow-Reserve und 0,69 für Calcium allein. Als die Forschenden den Grenzwert so anpassten, dass die KI etwa denselben Anteil an Patientinnen und Patienten als „normal“ einstufte wie traditionelle Schwellen, entdeckte die KI mehr Hochrisikopatienten mit schwerer Multigefäßerkrankung. Ihre Leistung war bei Männern und Frauen, jüngeren und älteren Patientinnen und Patienten sowie bei Menschen mit und ohne Adipositas stabil, was auf eine breite Anwendbarkeit hindeutet.

Die Logik der KI sichtbar machen

Ein zentrales Problem bei komplexen Algorithmen in der Medizin ist, dass sie wie „Black Boxes“ agieren können und Vorhersagen ohne Erklärungen liefern. Um dies zu vermeiden, nutzten die Autorinnen und Autoren eine Technik namens SHAP-Analyse, um zu zeigen, welche Scanmerkmale jede einzelne Vorhersage am stärksten beeinflussen. Über die Studie hinweg waren die wichtigsten Treiber der Anteil des Herzmuskels mit reduziertem Blutfluss, die gesamte Calciumlast und die Flow-Reserve. Beispielsweise wies die KI bei einem vorgestellten Patienten mit stark reduziertem Fluss und hohem angiographischen Risiko eine hohe Erkrankungswahrscheinlichkeit zu, die hauptsächlich durch die schlechte Flow-Reserve getrieben war. Bei einem anderen Patienten mit grenzwertigen Perfusionswerten, aber normalem Blutfluss und null Calcium zeigte die KI korrekt eine geringe Krankheitswahrscheinlichkeit an, im Gegensatz zu einer alarmierenderen Einschätzung durch einen Arzt. Solche fallbezogenen Erklärungen könnten Klinikern helfen, KI-gestützten Entscheidungen zu vertrauen und sie zu überprüfen.

Was das für Patientinnen und Patienten bedeutet

Diese Arbeit stellt das erste multizentrische, extern getestete KI-System vor, das standardmäßige PET/CT-Herzscan-Messungen und automatisiertes Calcium-Scoring zur Diagnose der koronaren Herzkrankheit kombiniert. Das Modell liefert eine einzige, interpretierbare Risikoabschätzung, die häufig die Genauigkeit von Experten übertrifft und gleichzeitig die spezifischen Scanmerkmale hinter jeder Beurteilung hervorhebt. Obwohl das Tool noch nicht für den routinemäßigen klinischen Einsatz zugelassen ist und weitere prospektive Studien erforderlich sind, weist es in Richtung einer Zukunft, in der Herzbildgebungsbefunde in klare, personalisierte Risikoscores zusammengefasst werden, die Ärztinnen und Ärzten helfen, sicherer zu entscheiden, wer invasive Untersuchungen oder aggressive Therapien benötigt — und wer diese sicher vermeiden kann.

Zitation: Zhang, W., Kwiecinski, J., Shanbhag, A. et al. Multicenter evaluation of interpretable AI for coronary artery disease diagnosis from PET biomarkers. npj Digit. Med. 9, 154 (2026). https://doi.org/10.1038/s41746-026-02338-6

Schlüsselwörter: koronare Herzkrankheit, kardiales PET-CT, künstliche Intelligenz, Calcium-Scoring, myokardialer Blutfluss