Automated detection of pediatric congenital heart disease from phonocardiograms using deep and handcrafted feature fusion

Das große Problem: Herzfehler in einem lauten Raum finden

Stellen Sie sich vor, Sie versuchen, das Gezwitscher eines bestimmten Vogels in einem stürmischen Wald zu hören. Genau das stehen Ärzte vor, wenn sie dem Herz eines Kindes lauschen.

Angeborene Herzfehler (CHD) sind Geburtsfehler, bei denen die Struktur des Herzens leicht „kaputt" oder missgestaltet ist. Sie betreffen etwa 1 von 100 Babys. Der „Goldstandard" zur Erkennung dieser Fehler ist ein Echokardiogramm (ein Ultraschall des Herzens), doch diese Maschine ist teuer, schwer und erfordert einen hochqualifizierten Experten für den Betrieb. In vielen Teilen der Welt, insbesondere in ärmeren Regionen, sind diese Ressourcen knapp.

Ärzte verlassen sich oft auf ein Stethoskop, um nach „Geräuschen" (abnormen Strömungsgeräuschen) zu lauschen, die auf ein Problem hinweisen. Dies ist jedoch wie der Versuch, eine Nadel im Heuhaufen zu finden, während man dicke Handschuhe trägt. Kinder weinen, husten und bewegen sich, was Hintergrundgeräusche erzeugt, die die subtilen Herzgeräusche übertönen. Darüber hinaus hat nicht jeder Arzt das gleiche „Ohr" für diese Geräusche; der eine mag ein Problem hören, während der andere es übersieht.

Die Lösung: Ein „Super-Hörer"-Computer

Die Autoren dieses Papiers entwickelten ein Computerprogramm (eine KI), das wie ein superhörender Assistent funktioniert. Seine Aufgabe ist es, die unordentlichen, verrauschten Aufnahmen eines digitalen Stethoskops zu analysieren und zu entscheiden: „Ist dieses Herz gesund oder hat es einen Fehler?"

Sie bauten nicht nur einen Typen von Hörer, sondern ein hybrides Team, das zwei verschiedene Arten des „Hörens" kombiniert:

1. Der „handgefertigte" Detektiv (Traditionelle Merkmale):
   Stellen Sie sich dies wie einen altmodischen Musiklehrer vor, der genau weiß, wonach er suchen muss. Der Computer wurde programmiert, um spezifische Dinge am Klang manuell zu messen, wie zum Beispiel:

   • Herzfrequenzvariabilität: Wie stark sich die Zeit zwischen den Herzschlägen ändert (wie ein Trommler, der schneller oder langsamer wird).
   • Spektraler Schwerpunkt: Wie „hell" oder „scharf" der Klang ist.
   • Spektraler Roll-off: Wie viel hochfrequente Energie im Klang enthalten ist.
   • MFCCs (Mel-Frequency Cepstral Coefficients): Dies ist eine ausgefallene Art zu sagen, dass der Computer den Klang in eine Karte übersetzt, die nachahmt, wie menschliche Ohren Tonhöhe und Klangfarbe wahrnehmen.

2. Der „Deep-Learning"-Künstler (KI-Merkmale):
   Stellen Sie sich dies wie einen talentierten Künstler vor, der Millionen von Bildern von Herzgeräuschen betrachtet hat und gelernt hat, Muster zu erkennen, die das menschliche Auge (oder Ohr) möglicherweise übersehen. Sie verwendeten ein 1D-Convolutional Neural Network (CNN). Stellen Sie sich dies als eine Reihe von Filtern vor, die die Schallwelle scannen und nach komplexen Formen und Mustern suchen, die nicht in das „gesunde" Schema passen.

Wie sie es zusammengebracht haben: Die Fusion

Die Magie dieses Papiers liegt in der Merkmalsfusion. Anstatt den „Detektiv" und den „Künstler" getrennt arbeiten zu lassen, ließen die Forscher sie zusammenarbeiten.

• Der Computer nimmt die spezifischen Messungen des Detektivs.
• Er kombiniert sie mit der komplexen Mustererkennung des Künstlers.
• Sie werden zu einem großen „Zeugnis" (einem Merkmalsvektor) zusammengeklebt, das in einen finalen Entscheidungsträger eingespeist wird.

Das ist wie ein Team, bei dem eine Person die Mathematik prüft und die andere die Kunst, und dann gemeinsam über die endgültige Antwort abstimmen. Dieser Ansatz hilft dem Computer, die verrauschten, unordentlichen Aufnahmen besser zu bewältigen als die Verwendung einer einzigen Methode.

Die Daten: 751 Kinder zuhören

Um dieses Team zu trainieren, gingen die Forscher in Krankenhäuser in Bangladesch. Sie nahmen Herzgeräusche von 751 Kindern auf (im Alter von 1 Monat bis 16 Jahren).

• Sie verwendeten ein spezielles digitales Stethoskop (das EKO DUO), das von der FDA zugelassen ist.
• Sie hörten an vier verschiedenen Stellen auf der Brust zu (wie das Überprüfen von vier verschiedenen Fenstern in einem Haus): den Mitralklappen-, Aorten-, Pulmonal- und Trikuspidalklappen.
• Die Herausforderung: Die Daten waren „verrauscht" (weinende, sich bewegende Kinder) und „unausgewogen" (es gab mehr kranke Kinder im Datensatz als gesunde, was einen Computer täuschen kann). Die Forscher verwendeten spezielle mathematische Tricks, um sicherzustellen, dass der Computer nicht einfach jedes Mal „krank" rät, um eine hohe Punktzahl zu erzielen.

Die Ergebnisse: Ein hochpunktiertes Team

Die Forscher testeten ihr Modell an einer Gruppe von Kindern, die sie noch nie zuvor gesehen hatten. So schnitten sie ab:

• Genauigkeit: 92 %. (Von 100 Kindern bekam es 92 richtig).
• Sensitivität: 91 %. (Es fand erfolgreich 91 von 100 Kindern, die tatsächlich Herzfehler hatten. Dies ist entscheidend, damit kein krankes Kind übersehen wird).
• Spezifität: 91 %. (Es identifizierte korrekt 91 von 100 gesunden Kindern als gesund. Dies ist entscheidend, damit gesunde Kinder nicht unnötig ins Krankenhaus geschickt werden).
• Die „Punktzahl" (AUROC): 96 %. Dies ist eine zusammenfassende Punktzahl, die zeigt, dass das Modell hervorragend darin ist, zwischen den beiden Gruppen zu unterscheiden.

Warum dies wichtig ist (laut dem Papier)

Das Papier behauptet, diese Methode sei ein kosteneffektives Screening-Tool. Da es ein digitales Stethoskop verwendet (das billig und tragbar ist) und auf Standardcomputern läuft, könnte es an Orten eingesetzt werden, an denen große Ultraschallmaschinen nicht existieren.

Die Autoren fanden auch heraus, dass das Durchschnittsbild der Ergebnisse aus den vier verschiedenen Hörstellen auf der Brust am besten funktionierte. Wenn sie nur an einer Stelle zuhörten und „Ja" sagten, wenn irgendeine Stelle schlecht klang, machten sie zu viele Fehler (falsche Alarme). Wenn sie verlangten, dass alle Stellen schlecht klingen, verpassten sie zu viele Fälle. Der „Durchschnittsansatz" fand das perfekte Gleichgewicht.

Was sie nicht behaupteten

• Sie behaupteten nicht, dass dies den Arzt oder die Ultraschallmaschine ersetzt. Es ist ein Screening-Tool, um zu entscheiden, wer weitere Tests benötigt.
• Sie behaupteten nicht, dass es bei jedem einzelnen Typ von Herzfehler perfekt funktioniert (sie unterschieden nur zwischen „CHD" und „Nicht-CHD", nicht zwischen spezifischen Typen wie „Loch im Herzen" vs. undichte Klappe").
• Sie wiesen auf eine Einschränkung hin: Das Modell wurde mit Daten aus einem Land (Bangladesch) und einem spezifischen Gerät trainiert. Sie schlagen vor, dass zukünftige Arbeiten es mit Daten aus anderen Ländern und Geräten testen sollten, um zu sehen, ob es immer noch funktioniert.

Kurz gesagt: Die Forscher entwickelten ein intelligentes Computerprogramm, das altmodische Klangmessungen mit moderner KI-Mustererkennung kombiniert. Es hört durch ein digitales Stethoskop auf die Herzen von Kindern und kann mit einer Genauigkeit von etwa 92 % feststellen, ob ein Kind wahrscheinlich einen Herzfehler hat, und bietet so eine potenzielle Lebensader für Gebiete, in denen fortschrittliche medizinische Geräte schwer zu finden sind.