An interpretable and explainable neural network to classify sports-related cardiac arrhythmias in professional football athletes

Diese Studie stellt ein erklärbares neuronales Netzwerk vor, das mittels einer Sinc-Convolution-Architektur und Gradient-basierter Visualisierung erfolgreich sportbedingte Herzrhythmusstörungen bei professionellen Fußballern klassifiziert und dabei zeigt, dass die Wahl der Architektur an die zugrundeliegende Herzpathophysiologie angepasst werden sollte.

Das Wesentliche

🏈 Der digitale Herz-Check für Profifußballer: Wie KI zwischen "Trainiert" und "Krank" unterscheidet

Stellen Sie sich vor, Sie sind ein Trainer bei einem Profifußballverein. Ein Spieler kommt ins Training, und sein Herz schlägt langsam und ruhig. Ist das gut? Ist das ein Zeichen dafür, dass er super fit ist (wie ein gut geölter Motor)? Oder ist es ein Warnsignal, dass etwas im Herzen nicht stimmt, bevor es zu einem plötzlichen Herztod kommt?

Das ist die große Frage, die sich diese Forscher aus Oxford gestellt haben. Sie haben eine neue Art von KI-Brille entwickelt, die nicht nur sieht, sondern auch erklärt, warum sie eine Diagnose stellt.

1. Das Problem: Der "Zwischenbereich"

Bei normalen Menschen ist ein langsamer Herzschlag oft ein Zeichen von Krankheit. Bei Top-Athleten ist er jedoch oft ein Zeichen von extrem guter Fitness. Das macht die Diagnose schwierig. Es ist wie bei einem Auto: Ein leises Summen kann bedeuten, dass der Motor perfekt läuft, oder dass ein Riemen locker ist. Man muss genau hinhören.

Die Forscher wollten eine KI bauen, die diese feinen Unterschiede erkennt und uns nicht nur sagt "Ja/Nein", sondern auch erklärt: "Ich habe das gesagt, weil ich diesen Teil des Herzschlags genau so analysiert habe."

2. Die zwei Detektive: Der "Frequenz-Spezialist" und der "Muster-Sammler"

Um das zu testen, bauten die Forscher zwei verschiedene KI-Modelle (neuronale Netze) und ließen sie gegeneinander antreten. Beide lernten an einem riesigen Datensatz von normalen Menschen (Krankenhausdaten), wurden dann aber auf echte Profifußballer getestet.

• Detektiv A (Der "Frequenz-Spezialist" / Sinc-Convolution):
  Dieser Detektiv ist wie ein Radio-Tuner. Er ist darauf spezialisiert, bestimmte Tonhöhen (Frequenzen) im Herzschlag herauszufiltern. Er ignoriert das Rauschen und konzentriert sich nur auf die reinen Töne des Herzschlags.

  • Ergebnis: Er ist hervorragend darin, den normalen Herzrhythmus zu erkennen. Er hört genau, ob der Takt stimmt.

• Detektiv B (Der "Muster-Sammler" / Standard-Convolution):
  Dieser Detektiv ist wie ein Kunstkritiker. Er schaut sich die Form des Herzschlags an. Er sucht nach Kurven, Zacken und Formen, die nicht ganz richtig aussehen.

  • Ergebnis: Er ist besser darin, komplexe Form-Veränderungen zu erkennen, die auf bestimmte Herzprobleme hindeuten (wie eine verdrehte T-Welle oder eine Blockade der Leitungswege).

3. Der große Test: Von der Klinik auf den Rasen

Die Forscher gaben den beiden Detektiven Daten von normalen Menschen zum Lernen. Dann warfen sie sie in den "Feuerwehr-Test": Sie mussten EKGs von spanischen Profi-Fußballern analysieren.

• Was passierte?
  • Der Frequenz-Spezialist war super, wenn es darum ging zu sagen: "Alles klar, das ist ein gesunder, trainierter Athlet." (Er fand den normalen Rhythmus sehr gut).
  • Der Muster-Sammler war besser, wenn es darum ging, spezifische, seltsame Formen zu finden, die auf Probleme hindeuten könnten.

4. Die Magie der Erklärung (xAI): "Zeig mir, wo du hinschaust!"

Das Coolste an dieser Studie ist nicht nur, dass die KI entscheidet, sondern wie sie es erklärt. Die Forscher nutzten eine Technik namens Grad-CAM.

Stellen Sie sich vor, Sie zeigen der KI ein EKG-Diagramm (eine Art Wellenlinie). Die KI muss nun sagen: "Ich habe hier eine Krankheit erkannt."

• Ohne Erklärung: "Krankheit erkannt." (Das ist wie ein schwarzer Kasten – man vertraut es nicht).
• Mit der neuen Technik: Die KI malt einen roten Heißluftballon über den Teil des Diagramms, der ihr wichtig war.

Das Ergebnis war spannend:

• Der Frequenz-Spezialist schaute genau auf die richtigen Stellen (z. B. den Abstand zwischen zwei Wellen), die Ärzte auch prüfen würden. Das macht ihn sehr vertrauenswürdig.
• Aber: Beide Detektive hatten einen kleinen Fehler. Manchmal schauten sie auf leere Stellen am Rand des Diagramms (technisch "Zero-Padding" genannt), die gar keine echten Herzsignale sind. Das ist wie wenn ein Detektiv auf eine leere Wand starrt und sagt: "Da ist ein Mörder!" – das ist natürlich falsch.

5. Was lernen wir daraus?

Die Studie zeigt uns drei wichtige Dinge:

1. Es gibt nicht "die eine" beste KI. Je nachdem, was man sucht (einen perfekten Rhythmus oder eine seltsame Form), braucht man einen anderen "Detektiv".
2. Erklärbarkeit ist lebenswichtig. In der Medizin reicht es nicht, wenn die KI nur "Richtig" sagt. Wir müssen wissen, warum sie das sagt, besonders bei Sportlern, wo die Grenze zwischen "super fit" und "krank" sehr dünn ist.
3. Die KI muss noch lernen. Die Modelle waren gut, aber sie wurden von Daten aus Krankenhäusern (ältere, kranke Menschen) auf Daten von jungen, gesunden Sportlern übertragen. Das ist wie wenn man einen Koch, der nur Suppe für alte Leute kocht, plötzlich bittet, ein Steak für einen Bodybuilder zu grillen. Es funktioniert, aber man muss die Rezepte anpassen.

Fazit:
Die Forscher haben einen neuen Weg gefunden, wie KI im Sportmedizin helfen kann. Sie bauen keine "Black Box", die nur rät, sondern ein transparentes Werkzeug, das uns zeigt, worauf es beim Herzschlag eines Profisportlers ankommt. Das könnte in Zukunft dazu beitragen, plötzliche Herztode zu verhindern, ohne unnötig gute Spieler vom Platz zu schicken.

Technische Zusammenfassung

Titel: Ein interpretierbares und erklärbares neuronales Netzwerk zur Klassifizierung sportbezogener kardialer Arrhythmien bei professionellen Fußballathleten

1. Problemstellung

Plötzlicher Herztod (SCD) tritt bei Athleten während körperlicher Aktivität mit einer doppelt so hohen Wahrscheinlichkeit auf wie bei Nicht-Athleten. Die Herausforderung besteht darin, zwischen physiologischen Anpassungen des Herzens an den Sport (z. B. Sinusbradykardie, unvollständiger Rechtsschenkelblock) und pathologischen Zuständen zu unterscheiden, die lebensbedrohliche Arrhythmien verursachen können.

• Datenknappheit: Es gibt nur wenige öffentlich zugängliche EKG-Datensätze von Sportlern.
• Black-Box-Problem: Herkömmliche KI-Modelle für die EKG-Analyse sind oft nicht interpretierbar, was das Vertrauen in klinische Entscheidungen erschwert.
• Domänenunterschiede: Modelle, die auf allgemeinen Krankenhausdaten trainiert wurden, funktionieren oft schlecht bei der spezifischen EKG-Morphologie von Hochleistungssportlern.

2. Methodik

Die Autoren entwickelten einen umfassenden Explainable AI (xAI)-Rahmen, der Datenanalyse, Modellinterpretierbarkeit, Post-hoc-Visualisierung und systematische Bewertung integriert.

• Datensätze:

  • Training: PhysioNet Challenge 21 (88.253 EKGs aus der Allgemeinbevölkerung, 30 Arrhythmie-Klassen, gemischte Altersgruppen).
  • Test/Validierung: PF12RED (161 12-Kanal-EKGs von spanischen Profi-Fußballspielern, Durchschnittsalter 25,7 Jahre).
  • Zielklassen: Normaler Sinusrhythmus (NSR), Sinusbradykardie (SB), unvollständiger Rechtsschenkelblock (IRBBB) und T-Wellen-Inversion (TWI).

• Architektur der neuronalen Netze:
  Es wurden zwei Varianten eines ResNet-basierten Modells mit Multi-Head-Attention verglichen:

  1. Standard-Convolution: Verwendet herkömmliche Faltungsschichten, die beliebige Muster lernen (Black-Box-Ansatz).
  2. Interpretierbare Sinc-Convolution: Die erste Schicht ist durch eine Sinc-Funktion eingeschränkt, die als lernbarer Bandpassfilter fungiert. Diese Schicht lernt physiologisch relevante Grenzfrequenzen (z. B. für P-Welle, QRS-Komplex, T-Welle), was die Interpretierbarkeit des Modells erhöht.

• Trainingsstrategie:

  • Domänenanpassung (Domain Adaptation): Transferlernen von allgemeinen auf sportliche Daten.
  • Ensemble-Methode: Drei Sub-Modelle werden trainiert, die Klassifizierung erfolgt per Mehrheitsvoting.
  • Optimierung der Schwellenwerte mittels Differential Evolution.

• Erklärbarkeit (Explainability):

  • Grad-CAM (Gradient-weighted Class Activation Mapping): Wird verwendet, um zu visualisieren, welche Bereiche des EKG-Signals für die Klassifizierung durch das Modell als wichtig erachtet wurden.

3. Wichtige Beiträge

• Neuer xAI-Rahmen: Integration von Daten-Explainability (Ungleichgewicht in den Daten), Modell-Interpretierbarkeit (Sinc-Schicht) und Post-hoc-Explainability (Grad-CAM) in einer einzigen Pipeline.
• Architektureller Vergleich: Systematischer Vergleich zwischen einer rein datengetriebenen Architektur (Standard-Conv) und einer physiologisch eingeschränkten Architektur (Sinc-Conv) im Kontext von Sport-EKGs.
• Erkenntnis zur Sinc-Convolution: Demonstration, dass die Einschränkung auf Frequenzbänder die Interpretierbarkeit verbessert, aber nicht immer die reine Klassifizierungsleistung bei komplexen morphologischen Mustern steigert.
• Identifikation von Artefakten: Aufdeckung, dass das Modell (insbesondere die Sinc-Variante) fälschlicherweise "Zero-Padding" (eine Vorverarbeitungstechnik) als signifikantes Merkmal für die Klassifizierung nutzt, was ein kritisches methodisches Problem aufzeigt.

4. Ergebnisse

Die Modelle zeigten unterschiedliche Stärken je nach Zielklasse:

• Leistungsmetriken (AUROC):

  • NSR (Normaler Sinusrhythmus): Sinc-Conv war überlegen (0,75 vs. 0,70 bei Standard).
  • SB (Sinusbradykardie): Standard-Conv war leicht besser (0,74 vs. 0,73).
  • IRBBB (Unvollständiger Rechtsschenkelblock): Standard-Conv war deutlich besser (0,66 vs. 0,58).
  • TWI (T-Wellen-Inversion): Standard-Conv war besser (0,59 vs. 0,54).

• Interpretierbarkeit (Grad-CAM):

  • Das Sinc-Modell fokussierte sich konsistent auf physiologisch relevante Segmente (z. B. PR-Intervall bei NSR/SB, T-Welle bei TWI).
  • Das Standard-Modell zeigte breitere Aktivierungsmuster, die auch morphologische Details (wie bei IRBBB) besser erfassen konnten.
  • Kritischer Befund: Beide Modelle, insbesondere das Sinc-Modell, wiesen in den Heatmaps Bereiche mit "Zero-Padding" als wichtig aus. Da Zero-Padding kein physiologisches Signal ist, deutet dies darauf hin, dass das Modell Artefakte der Vorverarbeitung gelernt hat, was die Robustheit beeinträchtigt.

• Fehleranalyse:

  • Hohe Falsch-Positiv-Raten traten bei beiden Modellen auf, oft durch Verwechslung mit anderen Arrhythmien wie vollständigem Rechtsschenkelblock (CRBBB) oder Vorhofblock.
  • Das Ungleichgewicht der Klassen (z. B. IRBBB ist im Trainingsset selten, im Testset häufiger) führte zu schlechteren F1-Scores für diese Klassen.

5. Bedeutung und Schlussfolgerung

Die Studie zeigt, dass Domänenanpassung von allgemeinen EKG-Daten auf Sportler-EKGs grundsätzlich machbar ist, jedoch mit Einschränkungen.

• Architekturwahl: Die Wahl der Architektur sollte sich am pathophysiologischen Merkmal orientieren.
  • Sinc-Convolution eignet sich besser für rhythmusbasierte, periodische Bedingungen (wie NSR und SB), da sie Frequenzmuster effizienter extrahiert und interpretierbarer ist.
  • Standard-Convolution ist überlegen bei der Erkennung komplexer morphologischer Veränderungen (wie IRBBB und TWI), die nicht rein frequenzbasiert sind.
• Klinische Relevanz: Der vorgestellte xAI-Rahmen ermöglicht es, nicht nur dass eine Klassifizierung stattfindet, sondern warum (basierend auf physiologischen Segmenten) zu verstehen. Dies ist entscheidend für die Akzeptanz von KI in der Sportmedizin.
• Zukünftige Arbeiten: Es wird empfohlen, dynamische Zeitdehnung (Dynamic Time Warping) statt Zero-Padding zu verwenden, globale Aufmerksamkeitstechniken zu erforschen und spezifische Trainingsdaten für Athleten zu sammeln, um die Generalisierbarkeit und klinische Sicherheit zu erhöhen.

Zusammenfassend bietet die Arbeit einen wichtigen Schritt hin zu vertrauenswürdigen KI-Systemen in der Sportkardiologie, indem sie die Grenzen zwischen physiologischer Anpassung und Pathologie durch interpretierbare Modelle zu überbrücken versucht.