Dokument: Diagnostische Effizienz neuronaler Netzwerke von Elektrokardiogrammen im Bildformat
| Titel: | Diagnostische Effizienz neuronaler Netzwerke von Elektrokardiogrammen im Bildformat | |||||||
| Weiterer Titel: | Performance of a convolutional neural network derived from an ECG database in recognizing myocardial infarction | |||||||
| URL für Lesezeichen: | https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=69559 | |||||||
| URN (NBN): | urn:nbn:de:hbz:061-20251021-125507-2 | |||||||
| Kollektion: | Dissertationen | |||||||
| Sprache: | Deutsch | |||||||
| Dokumententyp: | Wissenschaftliche Abschlussarbeiten » Dissertation | |||||||
| Medientyp: | Text | |||||||
| Autor: | Höckmann, Moritz [Autor] | |||||||
| Dateien: |
| |||||||
| Beitragende: | Prof. Dr. med. Makimoto, Hisaki [Gutachter] PD Dr. med. Aubin, Hug [Gutachter] | |||||||
| Stichwörter: | EKG, Elektrokariogramm, Künstliche Intelligenz, KI | |||||||
| Dewey Dezimal-Klassifikation: | 600 Technik, Medizin, angewandte Wissenschaften » 610 Medizin und Gesundheit | |||||||
| Beschreibungen: | Künstliche Intelligenz (KI) entwickelt sich in den letzten Jahren rasant weiter, auch in der Medizin. Insbesondere sind Fortschritte in der Bildanalyse zu vermerken. Die EKG - Diagnostik ist in dem Sinne eine Bildanalyse, als dass Kardiologen die in einem zweidimensionalen Bild dargestellte Wellenformen bewerten. Die hier vorliegende Arbeit stellt daher die Hypothese auf, dass eine KI, die ein sogenanntes Convolutional Neuronal Network (CNN) verwendet, auch EKG-Bilder und -Muster genau erkennen kann und dass ein Vorderwandinfarkt besser erkannt wird, als ein „Nicht Vorderwandinfarkt“. Hierfür wurde eine EKG-Datenbank der Physikalisch-Technischen Bundesanstalt (PTB) mit 289 EKGs verwendet, darunter 148 Fälle mit Myokardinfarkt (MI), um ein CNN zur Erkennung von MI im EKG zu entwickeln. Unser CNN-Modell, das mit einer 6-Layer-Architektur ausgestattet ist, wurde mit Trainings-EKGs angelernt.
Danach wurden unser CNN und 10 Ärzte mit separaten, den beiden Gruppen unbekannten-EKGs getestet und ihre Fähigkeit zur Erkennung von Herzinfarkten anhand der Metriken F1 (harmonisches Mittel aus Sensitivität und positiv prädiktivem Wert) und Genauigkeit verglichen. F1 und Genauigkeit unseres CNN waren signifikant höher (83±4%, 81±4%) im Vergleich zu den Ärzten (70±7%, 67±7%, P <0,0001). Auch die Eliminierung von Goldberger-Leitungen oder die Komprimierung des EKG-Bildes bis auf ein Viertel der Auflösung führte nicht zu einer signifikanten Verringerung der Erkennungsleistung. Die vorliegende Arbeit konnte ebenfalls zeigen, dass eine KI mit Deep Learning Methoden mit einem einfachen CNN für die Bildanalyse bei der Erkennung von Herzinfarkten im EKG Ärzten im Fachgebiet Kardiologie nicht unterlegen ist. Zukünftige weitere Studien zum Einsatz von KI in der EKG-Bildauswertung sind notwendig, um den potentiellen Nutzen dieser Technik auch im klinischen Alltag weiter zu beleuchten.Artificial intelligence (AI) has been developing increasingly and rapidly in medical technology, especially in image analysis, in recent years. ECG diagnosis is an image analysis in this sense, as cardiologists evaluate waveforms displayed in a two-dimensional image. Therefore, the work presented here hypothesizes that an AI using a so-called Convolutional Neural Network (CNN) can also accurately recognize ECG images and patterns. We used a ECG database by the Physikalisch-Technische Bundesanstalt (PTB) of 289 ECGs, including 148 cases of myocardial infarction (MI), to develop a CNN for detecting MI in the ECG. Our CNN model, which is equipped with a 6-layer architecture, was trained with training ECGs. Then, our CNN and 10 physicians were tested with test ECGs and their ability to detect MI was compared using the metrics of F1 (harmonic mean of precision and recall) and accuracy. F1 and accuracy of our CNN were significantly higher (83±4%, 81±4%) compared with those of physicians (70±7%, 67±7%, P<0.0001). Also, elimination of Goldberger leads or compression of the ECG image down to one quarter of the resolution did not significantly reduce recognition performance. Thus, the present work shows that an AI using Deep Learning methods with a simple CNN for image analysis may be not inferior to physicians in the specialty of cardiology in the detection of myocardial infarction in ECG. Future further studies on the use of AI in ECG image analysis are needed to further illuminate the potential utility of this technique in clinical practice. | |||||||
| Quelle: | 1. Pardee, H.E., Concerning the electrodes used in electrocardiography. American Journal of Physiology-Legacy Content, 1917. 44(1): p. 80-83.
2. Einthoven, W., Über die deutung des elektrokardiogramms. Pflüger's Archiv für die Gesamte Physiologie des Menschen und der Tiere, 1912. 149(1-3): p. 65-86. 3. Einthoven, W., G. Fahr, and A. De Waart, Über die Richtung und die manifeste Grösse der Potentialschwankungen im menschlichen Herzen und über den Einfluss der Herzlage auf die Form des Elektrokardiogramms. Pflüger's Archiv für die gesamte Physiologie des Menschen und der Tiere, 1913. 150(6-8): p. 275-315. 4. Wilson, F.N., et al., Recommendations for standardization of electrocardiographic and vectorcardiographic leads. Circulation, 1954. 10(4): p. 564-573. 5. Goto, S., et al., Artificial intelligence to predict needs for urgent revascularization from 12-leads electrocardiography in emergency patients. PloS one, 2019. 14(1): p. e0210103. 6. Kelm, M., et al., Kommentar zu den Leitlinien 2017 der Europäischen Gesellschaft für Kardiologie (ESC) zur Therapie des akuten Herzinfarktes bei Patienten mit ST-Streckenhebung. Der Kardiologe, 2018. 12(2): p. 145-149. 7. Chowdhary, K. and K. Chowdhary, Natural language processing. Fundamentals of artificial intelligence, 2020: p. 603-649. 8. Searle, J.R., Minds, brains, and programs. Behavioral and Brain Sciences, 1980. 3(3): p. 417-424. 9. McIlroy-Young, R., et al., Aligning Superhuman AI with Human Behavior: Chess as a Model System, in Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. 2020, Association for Computing Machinery: Virtual Event, CA, USA. p. 1677–1687. 10. Kaelbling, L.P., M.L. Littman, and A.W. Moore, Reinforcement learning: A survey. Journal of artificial intelligence research, 1996. 4: p. 237-285. 11. Kashou, A.H., A.M. May, and P.A. Noseworthy, Artificial Intelligence-Enabled ECG: a Modern Lens on an Old Technology. Curr Cardiol Rep, 2020. 22(8): p. 57. 12. Krizhevsky, A., I. Sutskever, and G.E. Hinton, ImageNet classification with deep convolutional neural networks. Commun. ACM, 2017. 60(6): p. 84–90. 13. Chattopadhyay, A., et al., Grad-CAM++: Improved Visual Explanations for Deep Convolutional Networks. arXiv. arXiv preprint arXiv:1710.11063, 2017. 14. Buda, M., A. Maki, and M.A. Mazurowski, A systematic study of the class imbalance problem in convolutional neural networks. Neural Netw, 2018. 106: p. 249-259. 15. Mak, R.H., et al., Use of Crowd Innovation to Develop an Artificial Intelligence-Based Solution for Radiation Therapy Targeting. JAMA Oncol, 2019. 5(5): p. 654-661. 16. Kusunose, K., et al., A Deep Learning Approach for Assessment of Regional Wall Motion Abnormality From Echocardiographic Images. JACC Cardiovasc Imaging, 2020. 13(2 Pt 1): p. 374-381. 17. Hannun, A.Y., Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network. 2019. 18. Jung, C. and A. Elsässer, Update ESC-Leitlinie 2017–Akuter Myokardinfarkt (STEMI). DMW-Deutsche Medizinische Wochenschrift, 2018. 143(11): p. 797-801. 19. Siontis, K.C., et al., Artificial intelligence-enhanced electrocardiography in cardiovascular disease management. Nature Reviews Cardiology, 2021. 18(7): p. 465-478. 20. Bousseljot, R., D. Kreiseler, and A. Schnabel, Nutzung der EKG-Signaldatenbank CARDIODAT der PTB über das Internet. 1995. 21. Goldberger, A.L., et al., PhysioBank, PhysioToolkit, and PhysioNet: components of a new research resource for complex physiologic signals. Circulation, 2000. 101(23): p. E215-20. 22. Moody, G.B. LightWAVE. [Program] 2013; LightWAVE is a lightweight waveform and annotation viewer and editor. Use it to view any of the recordings of physiologic signals and time series in PhysioBank, together with their annotations (event markers).]. Available from: https://physionet.org/lightwave/. 23. Salehi, A. and M. Balasubramanian, DDCNet-Multires: Effective Receptive Field Guided Multiresolution CNN for Dense Prediction. Neural Processing Letters, 2022: p. 1-25. 24. Werner, M., Neuronale Netze mit Faltungsschichten, in Digitale Bildverarbeitung: Grundkurs mit neuronalen Netzen und MATLAB®-Praktikum. 2021, Springer Fachmedien Wiesbaden: Wiesbaden. p. 409-465. 25. Graham, B., Fractional max-pooling. arXiv preprint arXiv:1412.6071, 2014. 26. Makimoto, H., et al., Performance of a convolutional neural network derived from an ECG database in recognizing myocardial infarction. Sci Rep, 2020. 10(1): p. 8445. 27. LeCun, Y., Y. Bengio, and G. Hinton, Deep learning. Nature, 2015. 521(7553): p. 436-44. 28. Selvaraju, R.R., Grad-CAM: visual explanations from deep networks via gradient-based localization. 29. Strodthoff, N. and C. Strodthoff, Detecting and interpreting myocardial infarction using fully convolutional neural networks. 30. Jun, T.J., ECG arrythm. 2018. | |||||||
| Rechtliche Vermerke: | Keine | |||||||
| Lizenz: |  Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz | |||||||
| Bezug: | 2020-2025 | |||||||
| Fachbereich / Einrichtung: | Medizinische Fakultät | |||||||
| Dokument erstellt am: | 21.10.2025 | |||||||
| Dateien geändert am: | 21.10.2025 | |||||||
| Promotionsantrag am: | 04.07.2024 | |||||||
| Datum der Promotion: | 13.03.2025 |
