20 Sekunden statt 90 Minuten: So viel schneller ist die KI

Künstliche Intelligenz kann möglicherweise die Infarktforschung beschleunigen. Das konnte ein Team der Universität Duisburg-Essen und des Universitätsklinikums Essen nun nachweisen.

Schweineherzen spielen in der Infarktforschung eine wichtige Rolle. Bislang werden die „von Hand“ ausgewertet, was etwa 90 Minuten dauert. Der Einsatz von Künstlicher Intelligenz, KI, beschleunigt die Auswertung auf nur noch etwa 20 Sekunden. Die dazugehörige neue Methode hat ein Forschungsteam der Medizinischen Fakultät der Universität Duisburg-Essen und des Universitätsklinikums Essen entwickelt.

Zum Hintergrund: Für die Infarktforschung ist es wichtig zu wissen, wie groß ein Infarkt unter definierten Bedingungen und wieviel Herzgewebe dabei abgestorben ist. Eine präzise Bestimmung der Infarktgröße ist unerlässlich, um neue herzschützende, sogenennate kardioprotektive, Behandlungen zu entwickeln. Dazu wird zunächst dem verstorbenen Schwein nach durchlebtem Herzinfarkt das Herz entnommen. Im Anschluss werden Herzschnitte angefertigt, digitale Bilder aufgenommen und schließlich von Hand ausgewertet. Ein Forschungsteam der Medizinischen Fakultät der Universität Duisburg-Essen um Prof. Petra Kleinbongard und Prof. Gerd Heusch hat in Zusammenarbeit mit Prof. Jakob Nikolas Kather von der TU Dresden nun eine schnelle und präzise KI-basierte Methode in Basic Research in Cardiology veröffentlicht. Ihr automatisiertes Verfahren beschleunigt die Messung rasant.

Als Basis haben die Forscher insgesamt 3.869 digitale Bilder von Schweineherzschnitten verwendet, um ihr Deep-Learning-Modell zur Infarktgrößenbestimmung zu trainieren. Die Bilder wurden dafür digital vorverarbeitet, es wurden also störende Hintergründe entfernt oder Bildformate angepasst.

Anschließend wurde an einem Teil der digitalen Herzschnitt-Bilder die KI angelernt. Als Referenz wurden von Hand die Infarktbereiche, die nicht-betroffenen Bereiche und andere relevante Regionen auf den Herzschnitt-Bildern eingezeichnet. Durch den Einsatz eines speziell trainierten Deep-Learning-Modells auf Basis der U-Net-Architektur konnte die Auswertungszeit pro Experiment so drastisch reduziert werden. Hinter U-Net verbirgt sich eine Architektur zur semantischen Segmentierung, die aus einem kontrahierende und einen expansiven Pfad besteht.

„Die Ergebnisse, die das Modell uns in einem unabhängigen Datenset liefert, stimmen bis zu 98 Prozent mit unseren manuellen Messungen an Schweineherzen überein“, freut sich Prof. Petra Kleinbongard. Damit stelle die neue Methode eine objektive und zuverlässige Alternative zur herkömmlichen Infarktgrößenmessung dar, die auch in Forschungsverbünden eingesetzt werden kann. Die Technologie wurde bereits erfolgreich in verschiedenen Herzmodellen getestet und könnte die Forschung zur Kardioprotektion erheblich voranbringen.