Kardionetzwerk e.V. - Logo

17.09.2020

KI erkennt KHK-Patienten am Gesicht

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 das 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 trainieren

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).

Eignung 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 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

Quelle: Kardiologie.org, 25.08.2020