Cardio Fusion: A Dual-Stream Regularized Fusion Architecture for Generalizable Cardiovascular Disease Prediction Under Dataset Heterogeneity

Hartziekten blijven de belangrijkste doodsoorzaak wereldwijd en eisen jaarlijks bijna 18 miljoen levens. De aandoening ontstaat door een complexe mix van factoren, waaronder leeftijd, bloeddruk, cholesterolgehaltes en levensstijlfactoren zoals roken. Hoewel artsen vertrouwen op lichamelijk onderzoek en gespecialiseerde tests om deze problemen te diagnosticeren, kunnen dergelijke methoden duur zijn en vereisen ze schaarse beschikbaarheid van specialisten. Dit heeft geleid tot een zoektocht naar computersystemen die kunnen helpen bij het voorspellen van risico's, als een schaalbare aanvulling op de traditionele zorg. Het bouwen van deze systemen staat echter voor een hardnekkige hindernis: de data waar ze van leren, is vaak rommelig, incompleet of afkomstig van kleine groepen patiënten die niet representatief zijn voor de bredere populatie. Wanneer een computermodel wordt getraind op een nauwe set informatie, faalt het vaak wanneer het geconfronteerd wordt met een nieuwe patiënt die op papier anders is, wat leidt tot onbetrouwbare voorspellingen.

Om deze uitdaging aan te pakken, hebben onderzoekers K. Padmini, Nilesh V. Ingale en V. Aruna een nieuwe benadering ontwikkend genaamd "Cardio Fusion". In plaats van te vertrouwen op één enkel computeralgoritme om een diagnose te stellen, hebben zij een systeem gecreëerd dat een team van specialisten nabootst die samenwerken. De architectuur is ontworpen om twee zeer verschillende soorten medische informatie tegelijkertijd te verwerken. Eén stroom verwerkt standaard patiëntgegevens, zoals leeftijd, bloeddruk en cholesterol, die in tabellen zijn opgeslagen. De andere stroom is gebouwd om medische beelden of hartritme-traces te analyseren, ook wel elektrocardiogrammen genoemd. Door deze twee bronnen van informatie apart te behandelen voordat de conclusies worden gecombineerd, beoogt het systeem robuuster en aanpasbaarder te zijn aan de diverse manieren waarop hartziekten bij verschillende mensen zich presenteren.

De kern van deze nieuwe methode omvat een zorgvuldig selectieproces voordat er een voorspelling wordt gedaan. Medische dossiers bevatten vaak tientallen metingen, waarvan er veel zwakke indicatoren van ziekte zijn of simpelweg ruis. De onderzoekers gebruikten een wiskundige techniek om door deze gegevens te zeven en alleen de krachtigste voorspellers voor elke specifieke groep patiënten te identificeren. In één grote dataset bepaalde het systeem bijvoorbeeld dat de systolische bloeddruk, leeftijd en glucosewaarden de meest kritieke factoren waren, terwijl in een andere dataset andere metingen de voorkeur kregen. Dit zorgt ervoor dat de computer niet wordt afgeleid door irrelevante details. Zodra de belangrijkste kenmerken zijn geselecteerd, voert het systeem deze in een "tabulaire tak", wat een hybride team is van vier verschillende algoritmen die in harmonie samenwerken. Dit team omvat een diep neuraal netwerk — een complex hulpmiddel voor patroonherkenning — naast drie meer traditionele classificatiesystemen. Deze vier modellen stemmen over de uitkomst, waarbij de uiteindelijke beslissing wordt gewogen op basis van hoe zelfverzekerd elk model is in zijn eigen antwoord.

Parallel hieraan bevat het systeem een "beeldvormende tak" die in staat is om hartscans of elektrische signalen te analyseren met behulp van geavanceerde deep learning-modellen. Deze modellen zijn ontworpen om subtiele visuele patronen te ontdekken die het menselijk oog misschien mist. Cruciaal is dat de twee takken onafhankelijk van elkaar opereren. Als een ziekenhuis alleen patiëntgegevens heeft en geen beelden, kan het systeem nog steeds functioneren met alleen de tabulaire tak. Als er beelden beschikbaar zijn, verwerkt het systeem deze afzonderlijk en voegt het vervolgens de twee conclusies samen. Dit ontwerp maakt het mogelijk om het framework te testen op een grote verscheidenheid aan datasets, van kleine, decennia oude collecties tot enorme, moderne records met tienduizenden patiënten.

De onderzoekers testten hun systeem op zes verschillende datasets om te zien hoe goed het standhield onder druk. Op een klassieke, kleinere dataset bekend als de Cleveland-benchmark, bereikte het systeem een nauwkeurigheid van 96,5%. Dit resultaat is concurrerend met de beste bestaande methoden. De echte test voor een medisch hulpmiddel is echter of het werkt bij grotere, diversere populaties. Het team implementeerde hun volledige systeem opnieuw op een tweede, veel grotere dataset van Kaggle, die meer dan 68.000 patiëntendossiers bevatte. In deze grotere test bereikte het systeem een nauwkeurigheid van 73,95% en een sterke bekwaamheid om tussen zieke en gezonde patiënten te onderscheiden, gemeten aan een score van 80,57%.

De daling in nauwkeurigheid van de kleinere dataset naar de grotere was geen falen van het systeem, maar een reflectie van de data zelf. De grotere dataset bevatte alleen informatie over levensstijl en vitale functies, en miste de gedetailleerde hartritme- en pijn op de borst-gegevens die in de kleinere, specifiekere datasets beschikbaar waren. De onderzoekers ontdekten dat, ongeacht hoe geavanceerd het algoritme ook is, een computer niet kan voorspellen wat hij niet krijgt meegegeven. Deze bevinding onderstreept een belangrijke conclusie van de studie: het simpelweg voeden van een computer met meer data garandeert geen betere resultaten. In plaats daarvan zijn de kwaliteit van de geselecteerde kenmerken en de manier waarop verschillende modellen worden gecombineerd veel belangrijker. De studie betoogt dat een goed geregulariseerd hybride systeem — één die voorkomt dat de computer ruis onthoudt en hem dwingt algemene patronen te leren — betrouwbaarder is dan een enkel, complex algoritme.

Door geoptimaliseerde kenmerkselectie te combineren met een dual-stream architectuur, demonstreert het Cardio Fusion-framework dat het mogelijk is om een voorspellingsinstrument te bouwen dat zowel accuraat als flexibel is. Het presteert goed op kleine, specifieke datasets, terwijl het zijn structuur behoudt om grote, heterogene datasets aan te kunnen. De onderzoekers merken op dat hoewel hun systeem een belangrijke stap voorwaarts is, het geen definitieve oplossing is. Toekomstig werk zal het testen van het systeem op nog diversere cohorten omvatten en het integreren van instrumenten die uitleggen waarom de computer een specifieke voorspelling heeft gedaan, om artsen te helpen het advies van de machine te vertrouwen. Voor nu biedt de studie een duidelijk pad naar meer betrouwbare, generaliseerbare instrumenten die op een dag naast artsen kunnen staan om te helpen bij het identificeren van risico's op hartziekten bij patiënten die anders over het hoofd gezien zouden worden.