Künstliche Intelligenz in der Kardiologie

Die Medizin im Allgemeinen, aber insbesondere die Kardiologie, steht durch den Einsatz von künstlicher Intelligenz (KI) vor einem tiefgreifenden Wandel. Anwendungen, die gestern noch als visionär galten, sind heute bereits Realität.

KI gilt als eine der disruptivsten Technologien unserer Zeit und verändert gegenwärtig nahezu alle Lebensbereiche. Von Kommunikation und Mobilität bis hin zu Bildung, Wissenschaft und Industrie, auch die Medizin sowie die Kardiologie stehen vor einem Wandel. KI-gestützte Systeme versprechen nicht nur schnellere und präzisere Diagnosen, sondern auch völlig neue Einblicke in Krankheitsmechanismen, die jenseits menschlicher Wahrnehmung liegen.

„Deep learning“

Seit den 2010er-Jahren wurde der Durchbruch von KI-Methoden durch das Zusammentreffen von drei Entwicklungen möglich: neuartige Algorithmen, riesige Datenmengen und leistungsfähige Hardware. Sogenannte künstliche neuronale Netze (Stichwort: „deep learning“) erlauben eine selbstorganisierte Mustererkennung direkt aus Rohdaten und müssen, im Unterschied zu herkömmlichen Computerprogrammen, nicht explizit vorgegeben bekommen, worauf sie achten sollen. Damit lassen sich neuartige Muster in komplexen Daten automatisiert entdecken und für völlig neue Anwendungen nutzen.

Damit „Deep learning“-Modelle erfolgreich entwickelt werden können, müssen diese von großen Datenmengen lernen. Die rasant fortschreitende Digitalisierung und die weltweite Vernetzung über das Internet haben die notwendige Datenbasis geschaffen, wobei der Gesundheitssektor heute zu den größten Datenproduzenten überhaupt zählt. Schließlich sorgt die Verfügbarkeit leistungsfähiger Hardware, insbesondere Grafikprozessoren (GPUs), dafür, dass das Training der angesprochenen „Deep learning“-Modelle überhaupt erst möglich wurde.

Die Kardiologie bietet eine besonders große Breite an Datenmodalitäten, die von Elektrokardiogrammen (EKGs) und Laborwerten über unterschiedlichste bildgebende Verfahren bis hin zu Daten von „wearables“ reichen. Diese Vielfalt kommt in den verschiedensten klinischen Szenarien zum Einsatz, sowohl bei Screenings als auch bei komplexen Interventionen, und eröffnet damit ein weites Feld an Möglichkeiten, KI-Methoden sinnvoll einzusetzen.

KI schneller, effizienter & vergleichbarer

Ein wesentlicher Beitrag von KI in der Medizin liegt darin, Aufgaben, die auch Menschen bewältigen können, deutlich schneller, effizienter und vor allem ver- gleichbarer auszuführen. Ein anschauli- ches Beispiel aus der klinischen Praxis ist die Bestimmung der linksventrikulären Ejektionsfraktion (LVEF) aus Echokardiografievideos. Diese Messung ist in der Routine nicht nur relativ zeitaufwendig, sondern unterliegt auch einer hohen Variabilität zwischen verschiedenen Untersuchenden. KI-Systeme sind hingegen in der Lage, die LVEF innerhalb von Sekunden zu ermitteln, und dies mit einer Genauigkeit, die in klinischen Studien der menschlichen Beurteilung nicht unterlegen ist. Besonders bemerkenswert ist, dass die Analyse so- gar Herzschlag für Herzschlag erfolgen kann, was zu einer standardisierteren und reproduzierbareren Diagnostik beiträgt.

KI eröffnet grundsätzlich neue Möglichkeiten

Eine weitere Stärke von KI-Methoden besteht darin, dass sie Aufgaben übernehmen können, die dem Menschen grundsätzlich nicht möglich sind. Ein eindrucksvolles Beispiel ist die Detektion von Vorhofflimmern anhand vom EKG, das zum Zeitpunkt der Aufzeichnung lediglich einen normalen Sinusrhythmus zeigt. Für Ärzt:innen ist es unmöglich, alleine aus einem unauffälligen EKG zuverlässig abzuleiten, ob ein/e Patient:in an paroxysmalem, asymptomatischem Vorhofflimmern leidet. KI-Modelle hingegen sind in der Lage, in den scheinbar normalen Signalen subtile Muster zu identifizieren, die auf ein erhöhtes Risiko hinweisen. Klinische Studien konnten zeigen, dass neuronale Netze aus einem Standard-12-Kanal-EKG mit Sinusrhythmus zuverlässig vorhersagen können, ob in Zukunft Episoden von Vorhofflimmern auftreten werden. Durch den Einsatz dieser Screeninganwendung bei Routine-EKGs eröffnet sich die Möglichkeit einer deutlich früheren Diagnosestellung mit Potenzial zur effektiven Prävention von Schlaganfällen.

Grundmodelle universell einsetzbar

Neue Entwicklungen zielen darauf ab, nicht nur spezialisierte KI-Modelle für klar abgegrenzte Einzelaufgaben zu trainieren, sondern sogenannte Grundmodelle („foundation models“) zu entwickeln, die universell einsetzbar sind. Während spezialisierte KI-Modelle meist auf mühsam annotierte Trainingsdaten angewiesen sind, nutzen Grundmodelle Verfahren des selbstüberwachten Lernens. Dieser Ansatz ermöglicht es, auch bislang unerschlossene Datenmengen zu nutzen, wodurch die Entwicklung robuster, generalisierbarer und vielseitig einsetzbarer KI-Anwendungen erheblich beschleunigt wird. Diese Grundmodelle können ihr erlerntes Wissen flexibel auf neue Fragestellungen übertragen. Die bekanntesten Grundmodelle sind große Sprachmodelle (Stichwort: ChatGPT), die flexibel Anwendung finden, ohne jemals auf diese konkrete Anwendung trainiert worden zu sein. Ein aktuelles Beispiel in der Kardiologie ist ein Grundmodell namens EchoCLIP, welches Echokardiografievideos mit Text kombiniert und mit über einer Million Echokardiografievideos und den dazugehörigen ärztlichen Befunden trainiert wurde. Das Besondere daran: EchoCLIP kann nicht nur die Auswurfleistung des linken Ventrikels bestimmen, sondern beispielsweise auch Klappenprothesen oder Schrittmacher erkennen und Veränderungen der Herzgröße oder -funktion zuverlässig einschätzen, ohne jemals speziell dafür trainiert worden zu sein.

Grundmodelle sind außerdem auch als Startpunkt für die Entwicklung spezialisierter Modelle von großer Bedeutung, da sie deren Entwicklung bereits mit deutlich kleineren, beschrifteten Datensätzen ermöglichen. Dies bietet einen entscheidenden Vorteil gerade im medizinischen Bereich, wo annotierte Daten oft rar und schwer zu gewinnen sind. Grundmodelle erlauben des Weiteren, eine Vielzahl unterschiedlicher Modalitäten miteinander zu verknüpfen und in Zukunft als nützliche Assistenzsysteme in der umfassenden Beurteilung von verschiedensten Daten in der Kardiologie zu dienen.

„Generalist medical AI“

Die Entwicklungen zeigen deutlich, wohin die Reise geht: von spezialisierten Modellen über universelle Grundmodelle bis hin zu Konzepten einer „generalist medical AI“, die verschiedene Datenquellen wie EKG, Bildgebung, Laborwerte oder klinische Texte integrativ auswerten könnte. Auch Quantentechnologien werden als nächste disruptive Technologie diskutiert, um die Grenzen heutiger Systeme zu überwinden. Gleichzeitig dürfen die Herausforderungen nicht unterschätzt werden: Beispielsweise sind die Qualität und Validität der Daten, die Gewährleistung von Erklärbarkeit und Transparenz sowie die Durchführung großer klinischer Studien, die den Nutzen eindeutig belegen, von entscheidender Bedeutung. Nur wenn es gelingt, diese und viele weitere Hürden zu meistern, kann KI ihr volles Potenzial entfalten und im engen Zusammenspiel mit Kardiolog:innen die kardiovaskuläre Medizin weiter verbessern.