In der Zeitschrift Artificial Intelligence in Medicine berichten Forschende vom IBT des KIT und vom Karlsruher Unternehmen EPIQure, wie sie Deep Learning einsetzen, um ventrikuläre Extrasystolen anhand von EKG-Signalen ohne patientenspezifische Geometrien zu lokalisieren. Die Wissenschaftlerinnen und Wissenschaftler nutzen dazu faltende neuronale Netzwerke (convolutional neural networks, CNNs). Dabei handelt es sich um eine besondere Form von künstlichen neuronalen Netzen. CNNs setzen sich aus verschiedenen Schichten zusammen, die unterschiedliche Aufgaben übernehmen. Sie eignen sich für große Datenmengen und lassen sich vergleichsweise schnell trainieren.
Die Forschenden aus Karlsruhe trainierten die CNNs ausschließlich auf synthetischen Daten, die sie aus einem realistischen Simulationsmodell gewonnen hatten. Nur so ließ sich ein Datensatz von 1,8 Millionen Extrasystolen-EKGs erzeugen. Abschließend evaluierten sie ihre Methode an klinischen Daten. In 82 Prozent aller klinischen Fälle wurde der Ursprungsort der Extrasystolen korrekt bestimmt. „Nach weiterer Optimierung anhand von klinischen Daten besitzt unsere Methode das Potenzial, medizinische Eingriffe zu beschleunigen, Risiken zu verringern und die Ergebnisse zu verbessern“, sagt Loewe.
Originalpublikation
Nicolas Pilia, Steffen Schuler, Maike Rees, Gerald Moik, Danila Potyagaylo, Olaf Dössel and Axel Loewe: Non-invasive Localization of the Ventricular Excitation Origin Without Patient-specific Geometries Using Deep Learning. Artificial Intelligence in Medicine, 2023. DOI: 10.1016/j.artmed.2023.102619
Bildquelle Header: © Dr. Axel Loewe, KIT