KI‑Modelle zur Klassifizierung gemischter Herz‑ und Lungenaufnahmen im Vergleich

USA: Studie vergleicht Modelle zur Klassifizierung gemischter Herz‑ und Lungenaufnahmen

Datensatz und Aufgabenstellung

Eine aktuelle Untersuchung hat verschiedene KI‑Modelle zur gleichzeitigen Erkennung von Herz‑ und Lungengeräuschen in gemischten Aufnahmen verglichen. Die Autoren stellten den Datensatz HLS‑CMDS vor, der aus gleichzeitig aufgenommenen gemischten Aufnahmen sowie den zugehörigen isolierten Herz‑ und Lungenaufnahmen besteht. Ziel war die duale binäre Klassifikation – sowohl Herz‑ als auch Lungenanomalien aus einer einzigen gemischten Aufnahme zu bestimmen.

Verglichene Modelle

Verglichen wurden klassische merkmalsbasierte Verfahren, ein multitask‑CNN mit gemeinsamem Backbone, ein Ziel‑Domain‑Student‑Modell, lehrergeleitete Varianten, die auf PhysioNet/CinC 2016 und ICBHI 2017 vortrainiert wurden, sowie leichtere Varianten, die die Quellinformationen des HLS‑CMDS nutzten.

Evaluationsverfahren

Die Bewertung erfolgte in einem verschachtelten, gruppierten Fünf‑Fach‑Cross‑Validation‑Schema auf Triplet‑Ebene; innerhalb jedes äußeren Trainings‑Folds diente ein innerer Validierungssplit zur Auswahl von Checkpoints, Temperatur‑Scaling und schwellenspezifischer Schwellenwertbestimmung.

Ergebnisse

Unter diesem Evaluationsrahmen erzielte das leichte, quellbewusste Modell die höchste mittlere Diskriminierung mit einem macro AUROC von 0.7107 ± 0.1659 und einem macro AUPRC von 0.9318 ± 0.0423. Der nach Prävalenz definierten No‑Skill‑Baseline für das macro AUPRC lag bei 0.8586 ± 0.0225. Nach innerer Validierung, Temperatur‑Scaling und Schwellenwertoptimierung erreichte das ausschließlich studentische Modell die höchste mittlere macro balancierte Genauigkeit von 0.6894 ± 0.0548.

Interpretation

Die Autoren betonten, dass die Unterschiede vorsichtig zu interpretieren seien, da die Schwankungen zwischen den Folds beträchtlich waren.

Schlussfolgerungen

Sie schlossen, dass in diesem kleinen, gepaarten Datenset eine zurückhaltende, quellbewusste Anleitung die stärkste Diskriminierungstendenz zeige, während ein einfacheres Ziel‑Domain‑Modell nach Kalibrierung die beste schwellenabhängige balancierte Genauigkeit liefere.

Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.