Dank des medizinischen Fortschritts wächst die Gruppe der erwachsenen Patienten mit angeborenen Herzfehlern kontinuierlich an. Grunderkrankungen wie eine Transposition der großen Arterien (TGA) erfordern allerdings eine lebenslange medizinische Betreuung durch spezialisierte Mediziner und Zentren. So laufen etwa TGA-Patienten, bei denen die rechte Herzkammer die Funktion der linken Herzkammer übernehmen muss, ein erhöhtes Risiko des Herzkammerversagens.

Die Vermeidung solcher lebensbedrohlichen Folgeerkrankungen setzt eine genaue Einschätzung der Funktion der Herzkammer und ihrer langfristigen Entwicklung voraus. Noch stellt deren krankheits- und behandlungsbedingt veränderte Beschaffenheit die Diagnostik vor große Herausforderungen. Abhilfe erhoffen sich Forscher am Kompetenznetz Angeborene Herzfehler vom gezielten Einsatz künstlicher Intelligenz (KI). Eine erste in Kooperation mit dem renommierten Royal Brompton Hospital in London durchgeführte KI-Studie spricht für das Potenzial lernender Systeme bei der Erkennung und Einordnung von Befunden.

Präziser als der Mensch

Unter der Leitung des EMAH-Wissenschaftlers Gerhard-Paul Diller hat ein internationales Forscherteam erstmals den Nutzen neuartiger Deep-Learning (DL)-Algorithmen bei der Diagnostik von erwachsenen Patienten mit einem schweren angeborenen Herzfehler nachweisen können. Der speziell für die Ultraschallanalyse von Patienten trainierte DL-Algorithmus erzielte mit 98 Prozent eine leicht höhere Gesamtgenauigkeit bei der Erkennung der korrekten Diagnose als die Testgruppe der spezialisierten Mediziner.

Die Forscher hatten dazu die Bilddaten von Patienten mit einer Transposition der großen Arterien (TGA) nach einer Vorhofumkehr-OP (atriale Switch-Operation nach Mustard oder Senning) sowie von Patienten mit einer so genannten angeborenen korrigierten Transposition (ccTGA), bei der auch die Herzkammern seitenverkehrt angeordnet sind, und von herzgesunden Menschen herangezogen.

KI zur Steigerung von Lebenserwartung und Lebensqualität

Für die Segmentierung der Herzkammern, das heißt für die Darstellung der Herzkammern in einzelnen voneinander abgrenzbaren Abschnitten, zur diagnostischen Auswertung wurde das von Forschern der Universität Freiburg entwickelte U-Net-Architekturmodell eingesetzt. „Die präzise Ausdifferenzierung der Befunde der Herzkammern hat unsere Erwartungen noch übertroffen“, resümiert Gerhard-Paul Diller, Oberarzt an der Klinik für Kardiologie III: Angeborene Herzfehler (EMAH) und Klappenerkrankungen am Universitätsklinikum Münster.

Dabei konnte das Forscherteam an Erfahrungen anknüpfen, die durch die erfolgreiche Erprobung solcher künstlichen, dem Nervensystem nachempfundenen, neuronalen Netzwerke etwa bei der Erkennung von Verkehrszeichen gesammelt worden sind. Die angewendeten Methoden künstlicher Intelligenz sollen künftig die Beurteilung der Herzkammerfunktion und ihrer Entwicklung in Abhängigkeit von Grunderkrankung und Therapie erleichtern. Forschungsziel ist die verbesserte individualisierte Vorsorge und Behandlung zur Steigerung der Lebenserwartung und Lebensqualität der Patienten.