Wenn die Luft durch die vielen kleinen Gänge im Inneren unserer Lungen strömt, erzeugt sie ein unverwechselbares Geräusch. Wenn diese Gänge durch eine asthmatische Entzündung verengt oder durch die infektiösen Sekrete einer Bronchitis verstopft sind, verändert sich das Geräusch auf charakteristische Weise. Die Suche nach diesen diagnostischen Hinweisen mithilfe eines auf die Brust aufgesetzten Stethoskops, ein Verfahren, das als Auskultation bezeichnet wird, ist zu einem unverzichtbaren Bestandteil fast aller Gesundheitsuntersuchungen geworden.
Doch trotz der zweihundertjährigen Erfahrung mit Stethoskopen ist die Interpretation der Auskultation immer noch sehr subjektiv, da jeder Arzt etwas anderes hört. Denn je nachdem, wo auf der Welt man sich befindet, kann ein und dasselbe Geräusch als Knistern, sprudelndes Bonbon, Klettverschluss, frittierender Reis oder etwas ganz anderes beschrieben werden. Die Genauigkeit hängt auch davon ab, wie viel Erfahrung das medizinische Personal hat und worauf es sich spezialisiert hat.
Diese Komplikationen machen sie zu einer idealen Herausforderung für das Deep Learning, das das Potenzial hat, Klangmuster objektiver zu differenzieren. Deep Learning hat sich bereits als fähig erwiesen, die menschliche Wahrnehmung bei der Interpretation einer Reihe von komplexen medizinischen Untersuchungen wie Röntgenaufnahmen und MRTs zu verbessern.
Eine in Nature Digital Medicine veröffentlichte aktuelle Studie der intelligenten Forschungsgruppe Global Health (iGH) der EPFL, die am Labor für maschinelles Lernen und Optimierung angesiedelt ist , einem interdisziplinären Cluster von Spezialisten für künstliche Intelligenz an der Fakultät für Informatik und Kommunikation , beschreibt den Algorithmus der künstlichen Intelligenz DeepBreath, der das Potenzial einer automatisierten Interpretation der Diagnose von Atemwegserkrankungen aufzeigt.
"Was diese Studie so einzigartig macht, ist die Vielfalt der Auskultationsgeräusche und die Gründlichkeit, mit der diese Geräusche gesammelt wurden", sagt die Hauptautorin der Studie, Mary-Anne Hartley, eine für das iGH verantwortliche Ärztin und Wissenschaftlerin für biomedizinische Daten. Es wurden fast 600 ambulante Kinder aus fünf Ländern ausgewählt: Schweiz, Brasilien, Senegal, Kamerun und Marokko. Die Atemgeräusche wurden bei Patienten unter 15 Jahren mit den drei häufigsten Arten von Atemwegserkrankungen aufgezeichnet: röntgenologisch bestätigte Lungenentzündung, klinisch diagnostizierte Bronchiolitis und Asthma.
"Atemwegserkrankungen sind die häufigste vermeidbare Todesursache in dieser Altersgruppe", erklärt Alain Gervaix, Leiter der Abteilung für Kindermedizin am HUG und Gründer von Onescope , dem Startup-Unternehmen, das dieses intelligente Stethoskop mit dem DeepBreath-Algorithmus auf den Markt bringen wird. "Dieses Projekt ist ein gutes Beispiel für die fruchtbare Zusammenarbeit zwischen dem HUG und der EPFL, aber auch zwischen dem Bereich der klinischen Studien und den Grundlagenwissenschaften. Das DeepBreath-Pneumoskop ist ein großer Fortschritt für die Diagnose und den Umgang mit Atemwegserkrankungen", fährt er fort.
Das Team von Mary-Anne Hartley leitet die Entwicklung der künstlichen Intelligenz für Onescope. Sie ist besonders begeistert vom Potenzial des Tools in abgelegenen und ressourcenarmen Umgebungen. "Sie fügte hinzu: "KI-Tools haben auch das Potenzial, sich ständig zu verbessern, und ich hoffe, dass wir den Algorithmus mithilfe zusätzlicher Daten auf andere Atemwegserkrankungen und Populationen ausweiten können.
DeepBreath wird mit Patientinnen und Patienten aus der Schweiz und Brasilien trainiert und dann mit Aufnahmen aus Senegal, Kamerun und Marokko validiert, was Aufschluss über die geografische Verbreitung des Tools gibt. "Sie können sich vorstellen, dass es viele Unterschiede zwischen den Notaufnahmen in der Schweiz, Kamerun und Senegal gibt", sagt Mary-Anne Hartley, die einige Beispiele anführt: Die Klangkulisse der Hintergrundgeräusche, die Art und Weise, wie der Klinikarzt das Stethoskop hält, das den Schall aufzeichnet, die Epidemiologie und die lokalen Diagnoseprotokolle."
Mit genügend Daten muss ein Algorithmus in der Lage sein, mit diesen Nuancen umzugehen und das Signal unter dem Rauschen zu finden. DeepBreath hat an verschiedenen Standorten trotz der geringen Anzahl von Patientinnen und Patienten eine beeindruckende Leistung aufrechterhalten, was darauf hindeutet, dass mit mehr Daten noch Verbesserungen möglich sind.
Die Studie leistete einen besonderen Beitrag, indem sie Methoden einbezog, um die interne Funktionsweise der "Black Box" des Algorithmus zu entmystifizieren. Die Autorinnen und Autoren konnten zeigen, dass das Modell tatsächlich den Atemzyklus für seine Vorhersagen verwendet und welche Teile dieses Zyklus am wichtigsten sind. Der Nachweis, dass der Algorithmus tatsächlich die Atemgeräusche verwendet, anstatt mit verzerrten Indizes im Hintergrundrauschen zu "schummeln", ist eine große Lücke in der aktuellen Literatur und kann das Vertrauen in den Algorithmus beeinträchtigen.
Das multidisziplinäre Team arbeitet daran, den Algorithmus für den konkreten Einsatz in seinem intelligenten Stethoskop, dem Pneumoscope, vorzubereiten. Der nächste wichtige Schritt wird darin bestehen, die Studie an einer größeren Anzahl von Patientinnen und Patienten zu wiederholen und dabei die Aufzeichnungen dieses neu entwickelten digitalen Stethoskops zu verwenden, das auch die Temperatur und den Sauerstoffgehalt des Blutes aufzeichnet. "Die Kombination dieser Signale wird wahrscheinlich zu noch besseren Vorhersagen führen", prophezeit Mary-Anne Hartley.
Das an der Entwicklung von DeepBreath beteiligte Team von Mary-Anne Hartleys Studentinnen und Studenten besteht aus Julien Heitmann, Jonathan Doenz, Julianne Dervaux und Giorgio Mannarini, die alle ihre Masterarbeit diesem Projekt gewidmet haben.
