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

Dit onderzoek presenteert een interpreteerbaar en verklaarbaar neurale netwerk dat sportspecifieke hartritmestoornissen bij professionele voetballers classificeert en aantoont dat een model met sinc-convolutie fysiologisch relevante ECG-segmenten beter herkent dan een standaardmodel.

De kern

Hartslag van de Kampioen: Een AI die het verschil ziet tussen fitheid en gevaar

Stel je voor dat je een superster voetballer bent. Je hart klopt als een trommel tijdens een wedstrijd, maar als je rustig op de bank zit, klopt het langzaam en rustig. Voor een gemiddelde mens zou een zo traag kloppend hart misschien een teken zijn van een ziekte. Maar voor een topatleet? Dat is vaak gewoon een teken van een supersterk hart.

Het probleem is dat het voor artsen soms heel lastig is om te zien of een afwijking op een hartfilmpje (een ECG) een gevaarlijke ziekte is, of gewoon een gezond aanpassing door veel sporten. Als je het verkeerd inschat, kan dat dodelijk zijn (plotseling hartstilstand) of juist zorgen dat een gezonde speler onterecht wordt uitgesloten van het team.

Dit wetenschappelijke artikel beschrijft hoe onderzoekers van de Universiteit van Oxford een slimme computer (kunstmatige intelligentie of AI) hebben gebouwd om dit probleem op te lossen. Ze wilden een AI maken die niet alleen goed is in het vinden van fouten, maar die ook begrijpelijk is: we willen weten waarom de AI een bepaalde conclusie trekt.

Hier is hoe ze dat deden, vertaald in een simpel verhaal:

1. De Twee Leermeesters (De AI-modellen)

De onderzoekers bouwden twee verschillende soorten "AI-leraren" om de hartfilmpjes te analyseren:

• De "Alles-leraar" (Standaard AI): Deze AI kijkt naar het hele hartfilmpje en probeert van alles te leren, net als een student die alles uit zijn hoofd leert zonder te begrijpen hoe de natuurwetten werken. Hij ziet patronen, maar weet niet altijd waarom die patronen belangrijk zijn.
• De "Fysio-leraar" (Sinc-AI): Deze AI is speciaal ontworpen. Hij is als een muzikant die weet dat een viool een bepaalde frequentie heeft en een trompet een andere. Deze AI is geforceerd om alleen te kijken naar de specifieke "frequenties" van het hart (zoals de P-golf, de QRS-complex en de T-golf). Hij is dus interpreteerbaar: we weten precies waar hij naar kijkt, omdat hij is gebaseerd op de echte fysica van het hart.

2. De Oefening: Van Ziekenhuis naar Stadion

De AI's moesten leren van een enorme database met hartfilmpjes van normale mensen (die vaak ouder zijn en in het ziekenhuis zaten). Dit is als een voetbaltrainer die eerst oefent met een team van senioren.

Daarna moesten ze hun kennis toepassen op een heel klein team van professionele voetballers (jong, fit, en met een heel ander type hart). Dit is de "stresstest": kan de trainer die senioren heeft getraind, nu ook goed oordelen over de topatleten? Dit heet in de vaktaal domain adaptation (gebiedaanpassing).

3. Wat bleek er? (De resultaten)

De resultaten waren fascinerend en gaven een belangrijke les:

• Voor de rustige hartslag (NSR en Bradycardie): De Fysio-leraar (Sinc-AI) was de beste. Hij zag precies de juiste momenten in het filmpje (zoals de pauze tussen twee slagen) om te zeggen: "Dit is een gezond, langzaam hart van een atleet." Hij was als een muzikant die de juiste toonhoogte herkent.
• Voor de complexe vormen (IRBBB en T-golf omkering): De Alles-leraar (Standaard AI) deed het iets beter. Sommige hartproblemen lijken op ingewikkelde vormen of tekeningen, niet op een simpele frequentie. De standaard AI kon die vormen beter "zien" dan de gespecialiseerde Fysio-leraar.

De les: Er is geen enkele AI die alles perfect doet. Je moet de juiste tool kiezen voor het juiste probleem. Soms wil je een muzikant (Fysio-leraar), soms een tekenaar (Alles-leraar).

4. De "Magische Lantaarn" (Grad-CAM)

Het meest spannende deel van dit onderzoek is dat de AI's niet alleen een ja/nee antwoord gaven, maar ook een warmtekaart maakten. Stel je voor dat je een lantaarn op het hartfilmpje houdt. De AI verlicht de delen die belangrijk zijn voor zijn beslissing.

• De Fysio-leraar verlichtte de juiste delen: de pauzes tussen de slagen en de T-golf. Dit gaf de artsen vertrouwen: "Ah, de AI kijkt naar de juiste plek!"
• Een verrassende fout: Beide AI's keken soms naar het "lege papier" aan de randen van het filmpje (wat ze zero-padding noemen). Dit is als een lantaarn die op een leeg stuk muur schijnt in plaats van op het schilderij. Dit is een waarschuwing: de AI kan soms worden misleid door hoe we de data voorbereiden, en dat moeten we oplossen.

5. Waarom is dit belangrijk?

Dit onderzoek is een grote stap voorwaarts voor de sportwereld.

• Veiligheid: Het helpt om levens te redden door gevaarlijke hartritmestoornissen sneller te herkennen bij atleten.
• Vertrouwen: Omdat de AI uitleg geeft (via de warmtekaarten), kunnen artsen en trainers de beslissingen van de computer beter begrijpen en vertrouwen.
• De balans: Het helpt om te voorkomen dat gezonde spelers onterecht worden uitgesloten omdat hun hart "anders" klopt dan dat van een niet-sporter.

Kortom: De onderzoekers hebben een slimme, verklarende AI gebouwd die helpt om het verschil te zien tussen een "superkrachtig atleet-hart" en een "gevaarlijk ziek hart". Ze ontdekten dat je voor de beste resultaten soms twee verschillende soorten AI's nodig hebt, en dat het cruciaal is om te weten waarom de AI tot een conclusie komt, zodat we geen fouten maken in het leven van onze sporters.

Technische samenvatting

Titel: Een interpreteerbaar en verklaarbaar neurale netwerk voor het classificeren van sportgerelateerde hartritmestoornissen bij professionele voetballers

1. Het Probleem

Plotseling hartdood (SCD) komt bij atleten 2 tot 3 keer vaker voor dan bij niet-atleten, met name tijdens fysieke inspanning. Het onderscheid maken tussen fysiologische aanpassingen aan sport (zoals sinusbradycardie) en pathologische aandoeningen (zoals cardiomyopathieën) is klinisch uitdagend.

• Data-schaarste: Er is een gebrek aan open-source ECG-datasets specifiek voor sporters.
• Black-box AI: Bestaande AI-modellen voor ECG-analyse zijn vaak "black boxes" zonder voldoende interpreteerbaarheid of verklaarbaarheid (xAI), wat het vertrouwen van clinici beperkt.
• Domeinverschil: Modellen getraind op algemene populatie-ECG's (ziekenhuisdata) presteren vaak slecht op sporters-ECG's vanwege verschillen in demografie, hartfrequentie en de prevalentie van specifieke ritmestoornissen.

2. Methodologie

De auteurs stellen een nieuw xAI-framework voor dat vier pijlers integreert: data-verklaring, model-interpretatie, post-hoc visualisatie en systematische evaluatie.

• Datasets:

  • Trainingsdata: PhysioNet Challenge 21 (88.253 ECG's van de algemene populatie, 30 aritmieën, diverse continenten).
  • Testdata: PF12RED (161 12-afleiding ECG's van Spaanse La Liga-voetballers, rusttoestand).
  • Doelklassen: Normaal Sinus Ritme (NSR), Sinus Bradycardie (SB), Onvolledig Rechter Bundle Branch Block (IRBBB) en T-golf inversie (TWI).

• Neurale Netwerk Architectuur:
  Er werden twee varianten van een ResNet met multi-head attention ontwikkeld en vergeleken:

  1. Standaard Convolutie: Gebruikt reguliere convolutielagen die willekeurige patronen leren zonder inherente fysiologische interpretatie.
  2. Interpreteerbare Sinc-Convolutie: De eerste laag is beperkt tot het leren van "sinc-filters" (band-pass filters). Dit dwingt het netwerk om zich te focussen op fysiologisch relevante frequentiebereiken (bijv. P-golf, QRS-complex, T-golf) in plaats van willekeurige patronen. De geleerde cutoff-frequenties worden doorgegeven aan de volgende lagen.

• Trainingsstrategie:

  • Iteratieve stratificatie met een 80/20 trainings-validatie splits.
  • Een ensemble van drie sub-units met meerderheidsstemming voor de definitieve classificatie.
  • Class-specifieke drempelwaarden geoptimaliseerd via differentiatie-evolutie.

• Verklaringstechnieken:

  • Grad-CAM (Gradient-weighted Class Activation Mapping): Gebruikt om warmtekaarten te genereren die aangeven welke delen van het ECG-signaal het meest bijdragen aan de classificatie.
  • Analyse van data-ongelijkheid (class imbalance) tussen de trainings- en testdatasets.

3. Belangrijkste Resultaten

De prestaties werden gemeten aan de hand van AUROC, AUPRC en F1-score.

• Prestatievergelijking:

  • NSR (Normaal Sinus Ritme): De sinc-convolutie presteerde beter (AUROC 0,75 vs 0,70). Dit suggereert dat frequentie-selectie effectief is voor ritmische detectie.
  • SB (Sinus Bradycardie): Beide modellen presteerden vergelijkbaar goed, met een lichte winst voor de standaard convolutie (0,74 vs 0,73).
  • IRBBB & TWI: De standaard convolutie overtrof de sinc-variant significant (IRBBB: 0,66 vs 0,58; TWI: 0,59 vs 0,54). Dit wijst erop dat complexe morfologische patronen beter worden gevangen door reguliere convolutie dan door frequentie-gedreven filters.

• Interpreteerbaarheid (Grad-CAM):

  • De sinc-modellen toonden een sterkere focus op fysiologisch relevante segmenten: de PR-interval voor NSR/SB en de T-golf voor TWI.
  • Standaard modellen waren minder selectief en focusten soms op minder relevante gebieden.
  • Kritieke bevinding: Beide modellen, maar vooral de sinc-variant, reageerden sterk op zero-padding (een pre-processing techniek zonder fysiologische betekenis). Dit werd onterecht geïdentificeerd als een belangrijk kenmerk, wat de prestaties voor SB, IRBBB en TWI kan hebben beïnvloed.

• Classificatieproblemen:

  • Er was sprake van ernstige class imbalance (bijv. IRBBB was 1,4% in de trainingsdata maar 14,3% in de testdata). Dit leidde tot lage F1-scores en veel vals-positieven (verwarring met CRBBB, IAVB, RAD).

4. Belangrijkste Bijdragen

1. Novel xAI Framework: Integratie van data-analyse, model-interpretatie (via sinc-convolutie), post-hoc visualisatie (Grad-CAM) en evaluatie in één pipeline voor sport-ECG's.
2. Architecturale Vergelijking: Eerste studie die expliciet vergelijkt tussen een interpreteerbare frequentie-gedreven architectuur (sinc) en een standaard deep learning architectuur voor sportgerelateerde aritmieën.
3. Domeinadaptatie: Succesvolle toepassing van modellen getraind op algemene ziekenhuisdata op een specifieke, schaarse dataset van professionele voetballers.
4. Inzicht in Fysiologie vs. Morfologie: De studie toont aan dat de keuze van het neurale netwerk moet worden afgestemd op de onderliggende pathofysiologie: sinc-filters voor ritmische periodiciteit, standaard convolutie voor complexe morfologische veranderingen.

5. Betekenis en Toekomstperspectief

De studie demonstreert dat het mogelijk is om AI-modellen te trainen voor sportmedische screening door gebruik te maken van bestaande algemene datasets, mits er rekening wordt gehouden met domeinverschillen.

• Klinische Impact: Het bieden van interpreteerbare AI kan het vertrouwen van artsen in automatische screening vergroten, wat essentieel is voor het voorkomen van plotseling hartdood bij atleten.
• Beperkingen: De huidige modellen worstelen nog met data-ongelijkheid en reageren gevoelig op pre-processing artefacten (zero-padding).
• Toekomstig Werk: Er is behoefte aan grotere, specifieke sportdatasets, verbeterde methoden voor class imbalance (zoals dynamische time warping) en global attention mechanismen om de interpretatie verder te verfijnen.

Kortom, dit onderzoek levert een belangrijke stap voorwaarts in het ontwikkelen van betrouwbare, transparante AI-tools voor de sportcardiologie, waarbij de balans tussen prestatie en interpreteerbaarheid centraal staat.