MM-GradCAM: een verbeterde multimodale GradCAM-methode met 1D- en 2D-ECG-gegevens voor detectie van hartritmestoornissen

Waarom deze hartstudie voor u van belang is

Onregelmatige hartslagen, bekend als ritmestoornissen, kunnen leiden tot flauwvallen, beroertes of plotseling overlijden, maar geven vaak geen waarschuwingstekens tot het te laat is. Artsen vertrouwen op elektrocardiogrammen (ECG’s) — de bekende piekende lijnen die de hartactiviteit volgen — om problemen te detecteren. De laatste jaren zijn computerprogramma’s erg goed geworden in het lezen van deze tracés, soms tot op het niveau van specialisten. Ze werken echter vaak als een gesloten doos: ze geven een antwoord zonder te laten zien hoe ze dat hebben besloten. Deze studie introduceert een nieuwe manier om deze krachtige hulpmiddelen transparanter te maken, zodat artsen precies kunnen zien welke delen van het ECG van een patiënt de beslissing van de computer hebben gestuurd.

In de zwarte doos kijken

Veel moderne medische AI-systemen gebruiken deep learning, een techniek die automatisch patronen in gegevens ontdekt in plaats van te leunen op handgemaakte regels. Hoewel dit vaak de nauwkeurigheid verhoogt, verbergt het ook het redeneervermogen, wat een groot probleem is wanneer levens op het spel staan. Om vertrouwen op te bouwen, zijn onderzoekers zich gaan richten op methoden voor “verklaarbare AI” die de regio’s van een afbeelding of signaal benadrukken die het meest hebben bijgedragen aan het oordeel van een model. Een van de meest gebruikte hulpmiddelen hiervoor is Grad-CAM, dat warmtemappen maakt — kleurige overlays die laten zien waar het algoritme op lette. Tot nu toe waren deze toelichtingen echter meestal beperkt tot één type invoer, zoals een ruwe ECG-signaal of een afbeelding, maar niet beide samen.

Twee gezichtspunten van hetzelfde hartslagen

In dit werk richtten de auteurs zich op één veelgebruikte ECG-kanaal, genoemd Lead II, afkomstig uit een grote publieke database met meer dan 10.000 patiënten. Elke 10-secondenregistratie werd op twee verschillende manieren verwerkt. Ten eerste bleef deze in zijn oorspronkelijke eendimensionale vorm, een eenvoudige lijn die de spanning in de tijd uitzet. Ten tweede werd deze omgezet in een grijstintenafbeelding — in wezen een geplotte ECG-strip opgeslagen als afbeelding. Voor elke vorm bouwde het team een bijpassend deep-learningmodel gebaseerd op een 17-laags convolutioneel neuraal netwerk, een populaire architectuur voor patroonherkenning. Het ene netwerk leerde van het 1D-signaal, het andere van de 2D-afbeelding, en beide werden getraind om hartslagen in vier ritmegroepen te classificeren: normaal ritme, traag ritme, een snel ritmegroep en ritmes gerelateerd aan boezemfibrilleren.

Twee verklaringen combineren tot één

Na training pasten de onderzoekers Grad-CAM afzonderlijk toe op het op signaal gebaseerde en het op afbeelding gebaseerde model. Voor het 1D-model produceerden ze gekleurde segmenten over de ECG-lijn waar het netwerk het meest op gefocust was. Voor het beeldmodel genereerden ze warmtemappen die hotspots in de ECG-afbeelding benadrukten. De nieuwe methode, MM-GradCAM (multimodaal Grad-CAM), bracht deze twee weergaven vervolgens in tijd en ruimte op één lijn en fuseerde ze tot één verklaring. Deze verenigde kaart toont op één gecombineerde ECG-strip zowel de tijdreeks aanwijzingen als de afbeeldingsgebaseerde patronen die de beslissing van de AI hebben gestuurd. Een cardioloog beoordeelde veel voorbeelden en vergeleek de gemarkeerde regio’s met bekende kenmerken van verschillende ritmes, zoals ontbrekende P-golven bij boezemfibrilleren of zeer regelmatige snelle slagen bij bepaalde snelle ritmes.

Hoe goed het systeem het hart leest

Bij ongeziene testpatiënten classificeerde het op afbeeldingen gebaseerde model ritmes correct in ongeveer 97% van de gevallen, terwijl het op signalen gebaseerde model ongeveer 93% nauwkeurigheid bereikte. De prestaties varieerden per ritmetype, waarbij het beeldmodel over het algemeen beter presteerde, vooral voor complexere of subtielere patronen. Tegelijkertijd lieten de gefuseerde MM-GradCAM-kaarten zien dat elke weergave iets anders bijdraagt. Bij sommige patiënten met boezemfibrilleren miste de op signaal gebaseerde verklaring sleutelregio’s, terwijl de op afbeelding gebaseerde kaart correct focuste op delen waar normale golfvormen ontbraken. In andere gevallen, zoals bepaalde snelle ritmes, gaf de signaalgebaseerde kaart een duidelijker en klinisch zinvoller beeld. Door beide samen te presenteren, onthulde MM-GradCAM sterke en zwakke punten die onzichtbaar zouden blijven als slechts één invoervorm was gebruikt.

Wat dit betekent voor toekomstige hartzorg

De belangrijkste boodschap van de studie is niet alleen dat een computer abnormale hartritmes nauwkeurig kan herkennen — veel systemen kunnen dat inmiddels al — maar dat het redeneren nu begrijpelijker gemaakt kan worden voor menselijke experts. Door signaal- en afbeeldingsgebaseerde verklaringen te combineren tot één samenhangend beeld, geeft MM-GradCAM cardiologen een manier om te controleren of de AI naar medisch betekenisvolle delen van het ECG kijkt. Dit kan het vertrouwen vergroten, helpen fouten op te sporen en zelfs dienen als leermiddel voor arts-assistenten die complexe ritmes leren lezen. Hoewel de methode nog op meer diverse patiëntengroepen en in echte klinische workflows getest moet worden, wijst het op een toekomst waarin krachtige AI-hulpmiddelen niet alleen antwoorden geven, maar ook duidelijk hun werkwijze tonen.

Bronvermelding: Murat Duranay, F., Murat, E., Yıldırım, Ö. et al. MM-GradCAM: an improved multimodal GradCAM method with 1D and 2D ECG data for detection of cardiac arrhythmia. Sci Rep 16, 7919 (2026). https://doi.org/10.1038/s41598-026-38654-w

Trefwoorden: hartritmestoornis, elektrocardiogram, deep learning, verklaarbare AI, Grad-CAM