Ein blickflexibles Deep‑Learning‑Framework zur automatisierten Analyse von 2D‑Echokardiographie

Warum Herzuntersuchungen eine Helferhand brauchen

Ultraschalluntersuchungen des Herzens sind ein Grundpfeiler der modernen Kardiologie, doch verlässliche Auswertungen erfordern in der Regel jahrelange Ausbildung. In vollen Kliniken, in Notaufnahmen oder in abgelegenen Gegenden steht dieses Fachwissen nicht immer zur Verfügung, was die Versorgung von Menschen mit Herzproblemen verzögern kann. Diese Studie untersucht, ob künstliche Intelligenz (KI) gängige Herz‑Ultraschallvideos aus nahezu jedem Standardwinkel lesen kann, sodass qualitativ hochwertige Herzbewertungen auch dann möglich werden, wenn die Bilder von weniger erfahrenen Anwendern mit tragbaren Geräten aufgenommen wurden.

Eine neue Methode, bewegte Herzaufnahmen zu lesen

Die Forschenden entwickelten ein Deep‑Learning‑Framework, das kurze Videoclips aus zweidimensionalen Echokardiogrammen analysieren kann—sich bewegende Schwarz‑Weiß‑Bilder des schlagenden Herzens. Anders als traditionelle Computerwerkzeuge, die einen sehr spezifischen Kamerawinkel erwarten, akzeptiert dieses System mehrere gebräuchliche Ansichten, solange die wichtigste Pumpkammer, der linke Ventrikel, im Bild zu sehen ist. Aus diesen unterschiedlichen Blickwinkeln schätzt die KI drei Dinge: wie gut das Herz Blut pumpt (die linksventrikuläre Ejektionsfraktion, LVEF), das Alter der Patientin bzw. des Patienten und das Geschlecht. Die zentrale Idee ist, den Ultraschall von starren Ansichtsanforderungen zu befreien, sodass gute Messungen auch dann möglich sind, wenn die Bilder nicht perfekt sind.

Test des Systems an vielen Patientengruppen

Um die Leistungsfähigkeit des Frameworks zu prüfen, trainierte das Team es mit Zehntausenden standardisierter Echokardiogramme von Mayo‑Clinic‑Standorten in Minnesota und Wisconsin. Anschließend testeten sie es an mehreren unabhängigen Gruppen: weiteren Patientinnen und Patienten aus Arizona und Florida, einem großen öffentlichen Datensatz von Stanford und zwei Sammlungen mit tragbarem Ultraschall. Ein tragbares Set stammte von Patientinnen und Patienten, die während derselben Visite sowohl eine Untersuchung mit einem Standardgerät als auch einen Scan mit einem tragbaren Gerät erhielten. Das andere stammte aus Krankenhäusern in den USA und Israel, wo sowohl erfahrene Sonographinnen und Sonographen als auch Anfänger—Pflegende und Assistenzärzte mit kurzer Schulung und Echtzeit‑Guidance‑Software—tragbare Bilder aufzeichneten.

Wie genau waren die KI‑Schätzungen von Herz und Körper?

Über diese vielfältigen Datensätze hinweg stimmten die LVEF‑Schätzungen der KI eng mit den von Expertinnen und Experten berechneten Werten überein, mit typischen Abweichungen von weniger als zehn Prozentpunkten in der überwiegenden Mehrheit der Fälle. Sie schnitt auch in einer praktischen Kernfrage gut ab: der Entscheidung, ob die Herzpumpleistung deutlich vermindert ist oder nicht. Sowohl bei Standardgeräten als auch bei tragbaren Geräten war die Fähigkeit des Systems, Herzen mit deutlich niedriger LVEF zu erkennen, mit der von menschlichen Spezialisten vergleichbar. Wichtig ist, dass die Ergebnisse auch dann robust blieben, wenn die Bilder mit tragbaren Scannern aufgenommen wurden und selbst dann, wenn diese von Anfängern unter Nutzung der Guidance‑Software bedient wurden. Nur in einer kleinen Minderheit der Fälle unterschieden sich die LVEF‑Schätzungen aus von Anfängern aufgenommenen Clips für denselben Patienten spürbar von denen aus Expertenaufnahmen.

Verborgene Hinweise auf Alter und Geschlecht in der Herzbewegung

Über die Pumpleistung hinaus war die KI überraschend gut darin, aus dem Herz‑Ultraschall allein Alter und Geschlecht einer Person zu schätzen. Das geschätzte Alter stimmte eng mit dem tatsächlichen Alter überein, unabhängig davon, ob die Bilder von Standardgeräten oder tragbaren Geräten stammten. Auch die Geschlechtsklassifikation war in allen Testgruppen sehr genau. Während diese Merkmale klinisch bereits bekannt sind, deutet die zuverlässige Ableitung aus der Herzbewegung darauf hin, dass Ultraschallbilder subtile Muster des Alterns und biologische Unterschiede enthalten, die das menschliche Auge nicht routinemäßig quantifiziert. Die Autorinnen und Autoren schlagen vor, dass Diskrepanzen zwischen KI‑geschätztem und tatsächlichem Alter beispielsweise künftig ein Maß für das „biologische Herzalter“ sein und helfen könnten, Personen mit erhöhtem kardiovaskulärem Risiko zu identifizieren.

Was das für die künftige Herzversorgung bedeutet

Die Studie zeigt, dass ein einziges KI‑Framework eine breite Palette routinemäßiger Herz‑Ultraschallclips in nützliche klinische Informationen verwandeln kann, ohne perfekte Kamerawinkel oder Expertenbedienung zu verlangen. Indem es die Herzpumpleistung genau einschätzt und darüber hinaus aus Standard‑ und tragbaren Scans weitergehende Hinweise auf Patientenmerkmale extrahiert, könnte der Ansatz die Triage in Kliniken, Notaufnahmen und sogar in der prähospitalen Versorgung beschleunigen. Zwar muss die Methode noch in stärker rassisch und ethnisch divers zusammengesetzten Gruppen und in weniger kontrollierten Real‑World‑Umgebungen geprüft werden, doch sie weist in Richtung einer Zukunft, in der mehr Versorgende mit einfachen tragbaren Scannern zuverlässige Einblicke in die Herzgesundheit direkt am Krankenbett gewinnen können.

Zitation: Anisuzzaman, D.M., Malins, J.G., Jackson, J.I. et al. A view-flexible deep learning framework for automated analysis of 2D echocardiography. npj Cardiovasc Health 3, 17 (2026). https://doi.org/10.1038/s44325-025-00100-7

Schlüsselwörter: Echokardiographie, Künstliche Intelligenz, tragbarer Ultraschall, Auszugsfraktion, Kardiovaskuläre Bildgebung