Machine Learning Prediction of Coronary Artery Disease Using Palm Images and Clinical Data
Diese Studie entwickelte und validierte ein maschinelles Lernmodell zur Vorhersage der koronaren Herzkrankheit unter Verwendung von Handinnenbildern und klinischen Daten, wobei festgestellt wurde, dass die Integration klinischer Informationen die palmbasierten Vorhersagen zwar leicht verbesserte, ein Modell, das ausschließlich auf klinischen Daten beruhte, jedoch die höchste Gesamtleistung erzielte.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Herzkrankheiten bleiben eine der beständigsten und tödlichsten Herausforderungen des modernen Lebens, angetrieben durch alternde Bevölkerungen und Lebensstile, die das Herz-Kreislauf-System belasten. Während Ärzte schon lange auf Bluttests und Bildgebungsverfahren vertraut haben, um die Warnzeichen verstopfter Arterien zu erkennen, erfordern diese Methoden oft teure Ausrüstung und invasive Eingriffe. Auf der Suche nach einfacheren, nicht-invasiven Wegen zur Risikokontrolle haben Wissenschaftler begonnen, die Oberfläche des Körpers nach verborgenen Hinweisen abzusuchen. Die Haut, insbesondere die Handfläche, entwickelt sich während derselben frühen Lebensphasen wie das Herz und die Blutgefäße, was Forscher zu der Frage führte, ob die Muster auf unseren Händen genetische oder entwicklungsbedingte Signaturen künftiger Herzprobleme enthalten könnten. Diese Frage bewegt sich an der Schnittstelle zwischen traditioneller Medizin und künstlicher Intelligenz – einem Bereich, in dem Computer darauf trainiert werden, subtile visuelle Muster zu erkennen, die dem menschlichen Auge entgehen könnten.
Ein Forschungsteam der Ningbo University und angeschlossener Krankenhäuser in China unternahm den Versuch, diese Idee zu testen, indem es ein Computermodell entwickelte, das darauf ausgelegt war, koronare Herzkrankheiten allein mithilfe eines Fotos der Hand eines Patienten und dessen grundlegther medizinischer Vorgeschichte vorherzusagen. Sie sammelten Daten von fast tausend Patienten, die sich einer standardmäßigen Herzkatheteruntersuchung unterzogen hatten – einem Test, der einen definitiven Blick darauf ermöglicht, ob Arterien blockiert sind. Für jede Person sammelte das Team ein hochwertiges Bild der Handfläche sowie Details wie Alter, Geschlecht, Blutdruck und Ergebnisse aus Bluttests. Das Ziel war es zu sehen, ob eine Maschine lernen kann, zwischen den Handflächen von Menschen mit verstopften Arterien und denen mit gesunden Arterien zu unterscheiden, und ob das Hinzufügen einfacher Gesundheitsdaten zu dem Foto die Vorhersage genauer machen würde.
Um dies umzusetzen, mussten die Forscher den Computer zunächst lehren, die Hand in einem Bild zu finden. Sie verwendeten ein hochentwickeltes Bilderkennungstool, um die Handfläche zu lokalisieren und den Rest des Fotos auszuschneiden, um sicherzustellen, dass sich der Computer nur auf die relevante Haut und die Linien konzentriert. Anschließend speisten sie tausende dieser zugeschnittenen Bilder in ein Deep-Learning-System ein – eine Art künstlicher Intelligenz, die durch die Untersuchung von Millionen Beispielen lernt. Dieses System wurde darauf trainiert, die einzigartigen Texturen und Linienmuster auf der Handfläche zu erkennen, die mit Herzkrankheiten korrelieren könnten. Die Forscher entwickelten auch ein separates Modell, das ausschließlich klinische Daten wie Cholesterinspiegel und Rauchergeschichte verwendete, um zu sehen, wie gut traditionelle Kennzahlen die Krankheit allein vorhersagen konnten. Schließlich erstellten sie ein drittes Modell, das das Foto der Handfläche mit einigen grundlegenden Gesundheitsfakten kombinierte, wie etwa der Frage, ob der Patient Bluthochdruck hatte oder rauchte, um zu sehen, ob die beiden Informationsquellen besser zusammenarbeiteten.
Als das Team diese Modelle an einer Gruppe von Patienten testete, die der Computer zuvor noch nie gesehen hatte, lieferten die Ergebnisse ein klares, wenn auch nuanciertes Bild. Das Modell, das nur auf Handflächenbildern basierte, schnitt moderat gut ab und identifizierte den Krankheitsstatus etwa zwei Drittel der Zeit korrekt. Dies deutet darauf sich hin, dass die Handfläche tatsächlich einige visuelle Informationen im Zusammenhang mit der Herzgesundheit enthält, was wahrscheinlich die gemeinsame genetische Entwicklung der Haut und des Herz-Kreislauf-Systems widerspiegelt. Als die Forscher grundlegende klinische Informationen zu den Handflächenfotos hinzufügten, verbesserte sich die Genauigkeit des Modells leicht, was darauf hindeutet, dass die Gesundheitsdaten einen hilfreichen Kontext zu den visuellen Daten lieferten. Das leistungsfähigste Werkzeug erwies sich jedoch als jenes, das die Hand gänzlich ignorierte. Das ausschließlich auf klinischen Daten basierende Modell – das Faktoren wie Alter, Blutdruck und spezifische Blutmarker nutzte – übertraf sowohl das bildbasierte Modell als auch das kombinierte Modell. Es erreichte die höchste Genauigkeit und war am besten darin, Patienten korrekt zu identifizieren, die tatsächlich an der Krankheit erkrankt waren.
Die Studie kommt zu dem Schluss, dass Handflächenbilder zwar ein messbares, reales Signal für Herzkrankheiten liefern, aber noch keinen Ersatz für eine medizinische Standarduntersuchung darstellen. Der Computer lernte, dass die direkten Beweise aus Bluttests und der Patientengeschichte wesentlich zuverlässiger für die Vorhersage verstopfter Arterien sind als die Muster auf der Haut. Die Forscher schlagen vor, dass die Fotografie der Handfläche in Zukunft als praktische, kostengünstige Screening-Methode in Einrichtungen wie Gemeindekliniken oder bei Gesundheitstagen dienen könnte, um beispielsweise Personen zu markieren, die eine gründlichere Untersuchung benötigen. Bis die Technologie jedoch verfeinert und an viel größeren Gruppen getestet wurde, bleibt sie eher eine ergänzende Hilfe als ein eigenständiges Diagnoseinstrument. Die Arbeit zeigt, dass die Oberfläche des Körpers zwar Geheimnisse über unsere innere Gesundheit flüstern mag, die direkten Messungen unserer Physiologie jedoch immer noch am lautesten sprechen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.