Nachrichten 25.08.2020

Künstliche Intelligenz erkennt KHK-Patienten am Gesicht

Ein Deep Learning-Algorithmus hat in einer Studie anhand von Gesichtszügen relativ genau erkennen können, ob ein Proband signifikante Stenosen aufweist oder nicht. Die chinesischen Forscher haben bereits ein Einsatzszenario im Blick.

Es klingt etwas schräg: Chinesische Wissenschaftler haben versucht, einem Computer anzutrainieren, an KHK erkrankte Menschen anhand ihrer Gesichtszüge zu identifizieren. Tatsächlich waren sie mit diesem Ansatz relativ erfolgreich.

Immerhin hatte der auf neuronalen Netzwerken basierende Algorithmus eine bessere Vorhersagekraft als der vor allem in den USA zur Abschätzung der Prätestwahrscheinlichkeit einer KHK verwendete Diamond-Forrester-Score oder der neuere CAD Consortium Clinical Score. Die Ergebnisse sind aktuell im „European Heart Journal“ publiziert worden.

Was Gesicht alles verraten kann

Studien hätten gezeigt, dass einige Gesichtsmerkmale wie Alopezie, graue Haare, Gesichtsfalten, Xanthelasmen, Ohrläppchenfalten und Arcus lipoides cornea wahrscheinlich mit einem erhöhten Risiko für KHK und einer schlechten kardiovaskulären Gesundheit einhergingen, erläutern die Studienautoren um Dr. Shen Lin aus Beijing die Hintergründe ihrer Untersuchung. Wie sind die Wissenschaftler vorgegangen?

Computer mit Fotos trainiert

Trainiert wurde der Computer durch Fotografien, die Gesichtszüge von Menschen zeigen, bei denen eine Koronarangiografie oder eine CT-Angiografie vorgenommen worden war. Die Bilder wurden von vier verschiedenen Winkel des Kopfes mit einer Digitalkamera aufgenommen; insgesamt 5.216 Probanden aus China wurden für die Validierungsphase fotografiert. Durch mehrere Wiederholungen konnte der Computer bestimmte Merkmale erfassen, anhand derer er Menschen mit signifikanten Stenose erkennen kann. 

Die Genauigkeit des neuen Modells wurde an weiteren 580 Personen überprüft. Die Sensitivität betrug 0,80, die Spezifität 0,54. Die „Area Under the Curve“ (AUC) war mit 0,730 signifikant höher als die des Diamond-Foresters-Modells (0,623; p˂ 0,001) und CAD Consortium-Scores (0,652; p˂ 0,001).

Eignet sich evtl. zum Abschätzen der Prätestwahrscheinlichkeit

Die Autoren bezeichnen die Vorhersagekraft des Deep-Learning-Algorithmus zwar nur als „moderat“, dessen klinischen Einsatz können sie in Zukunft trotzdem vorstellen: „Unserer Algorithmus kann dabei unterstützen, die Prätestwahrscheinlichkeit einer KHK abzuschätzen und kann damit als Orientierungshilfe für die weitere Diagnostik dienen“, erläutern sie. Des weiteren ist es ihrer Ansicht nach denkbar, den Algorithmus als Screeningtool bei Hochrisikopatienten zu verwenden. Patienten könnten beispielsweise vor ihrem Arztbesuch einen Selbstcheck via Gesichtsanalyse vornehmen, um dann mit dem Arzt eine patientenzentrierte Diskussion führen zu können.

Spezifität ist allerdings gering

Kritisch sehen die chinesischen Wissenschaftler jedoch die niedrige Spezifität des Algorithmus und die damit verbundene hohe Rate an falsch-positiven Ergebnissen. Dies könne Angst und Unsicherheit bei den Patienten erzeugen, geben sie zu bedenken, deshalb sollte ein solches Screening ihrer Ansicht nach nur auf Hochrisikopatienten beschränkt sein.

Bisher sei der Algorithmus allerdings noch nicht für die klinische Praxis optimiert, betonen Lin und Kollegen. Mit der Studie wurde allein die Machbarkeit demonstriert. Zu klären gilt es beispielsweise, ob die Gesichtserkennung zur KHK-Vorhersage auch in anderen Regionen der Welt funktioniert.

Woran sich der Algorithmus genau orientiert, ist unklar

Unklar ist zudem, woran genau der Computer die KHK-Patienten identifiziert hat. Interessant sei, dass der Algorithmus sich stärker an Facetten der Wange, Stirn und Nase orientiert habe als an anderen Gesichtsregionen, berichten die Autoren, was im Widerspruch zu früheren Studien stehe, nach denen Ohr, Auge und Haare am ehesten mit einer KHK assoziiert seien. Lin und Kollegen vermuten deshalb, dass der Computer sich an Merkmalen orientiert hat, die jenseits der menschlichen Wahrnehmung bzw. außerhalb unseres Verständnisses liegen.

Tatsächlich ist es beim maschinellen Lernen häufig für Menschen kaum nachvollziehbar, wie die Algorithmen funktionieren. So gibt es Studien, in denen Deep Learning-Modelle anhand eines EKGs im Sinusrhythmus Geschlecht und Alter der Patienten bestimmen konnten, und keiner weiß wie.

Literatur

Lin S et al. Feasibility of using deep learning to detect coronary artery disease based on facial photo. Eur Heart J 2020; ehaa640, DOI: https://doi.org/10.1093/eurheartj/ehaa640

Highlights

Das Live-Kongress-Angebot der DGK

Zurück aus der Sommerpause: Sichern Sie sich den Zugang zu allen zertifizierten Vorträgen von DGK.Online 2021.

Corona, COVID-19 & Co.

Aktuelle Meldungen zu SARS-CoV-2 bzw. zu der Lungenkrankheit COVID-19 finden Sie in diesem Dossier.

Aktuelles und Neues aus der Kardiologie

Vorhofflimmern in jungen Jahren: Wie sinnvoll ist ein Gentest?

Wenn Patienten in jüngeren Jahren Vorhofflimmern entwickeln, ist das eher ungewöhnlich. Ein Gentest wird in solchen Fällen prinzipiell nicht empfohlen. Einer neuen Studie zufolge könnte eine Ausweitung dieser Diagnostik jedoch sinnvoll sein – unter bestimmten Voraussetzungen.

5 Empfehlungen für mehr Vielfalt in der kardiologischen Forschung

Weibliche Teilnehmer sind in kardiologischen Studien nach wie vor unterrepräsentiert, was Behandlungsfehler fördern kann. Experten haben die Gründe dafür untersucht und liefern entsprechende Lösungsvorschläge.

Reserve-Gichtmittel scheint Herz besser zu schützen als Standardtherapie

Die kardiovaskuläre Sicherheit von Gichtmedikamenten steht schon länger im Fokus der Wissenschaft. Nun deutet eine große Kohortenstudie an, dass ein Gichtmedikament der zweiten Wahl das kardiovaskuläre Risiko nicht erhöht, sondern verringern könnte im Vergleich zur aktuellen Standardtherapie.

Aus der Kardiothek

Hätten Sie es erkannt?

Echokardiographie einer 65-jährigen Patientin, die sich wegen Luftnot vorstellt. Im apikalen 4-Kammerblick zeigt sich eine Raumforderung im rechten Vorhof.

Hätten Sie es erkannt?

3-D Rekonstruktion einer kardialen Computertomographie. Welche kardiale Fehlbildung ist zu sehen?

Patientin mit passagerer Hemiparese – wie lautet Ihre Diagnose?

Transthorakale Echokardiographie mit Darstellung eines apikalen 4-Kammer Blicks einer Patientin mit passagerer Hemiparese.  Was ist zu sehen?

DGK.Online 2021/© DGK
Corona/© Naeblys / Getty images / iStock
Kardio-Quiz August 2021/© F. Ammon, Friedrich-Alexander-Universität Erlangen-Nürnberg
Computertomographie/© S. Achenbach, Friedrich-Alexander-Universität Erlanen-Nürnberg
Transthorakale Echokardiographie/© Daniel Bittner, Friedrich-Alexander-Universität Erlangen