Dokument: Effizientes Screening auf Aortenklappenstenosen mittels verständlicher Künstlicher Intelligenz

Titel:	Effizientes Screening auf Aortenklappenstenosen mittels verständlicher Künstlicher Intelligenz
Weiterer Titel:	Efficient screening for aortic valve stenosis using understandable artificial intelligence
URL für Lesezeichen:	https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=72252
URN (NBN):	urn:nbn:de:hbz:061-20260217-125103-0
Kollektion:	Dissertationen
Sprache:	Deutsch
Dokumententyp:	Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:	Text
Autor:	Kohlmann, Benita Isabel [Autor]
Dateien:	[Dateien anzeigen] Adobe PDF [Details] 1,31 MB in einer Datei [ZIP-Datei erzeugen] Dateien vom 11.02.2026 / geändert 11.02.2026
Beitragende:	Prof. Dr. med. Makimoto, Hisaki [Gutachter] Dr. Temme, Sebastian [Gutachter]
Dewey Dezimal-Klassifikation:	600 Technik, Medizin, angewandte Wissenschaften » 610 Medizin und Gesundheit
Beschreibungen:	Die Bevölkerung wird durch den demographischen Wandel zunehmend älter, wodurch die Prävalenz von Herzklappenvitien ansteigt. Vor allem die Aortenklappenstenose als häufigstes behandlungsbedürftiges Vitium steht dabei im Fokus. Zeitgleich wird momentan kaum ein anderes Thema so kontrovers diskutiert wie die Chancen und Risiken der Künstlichen Intelligenz (KI). Dies betrifft insbesondere den medizinischen Bereich. Ziel dieser Arbeit war es daher, eine transparente und nachvollziehbare Künstliche Intelligenz zu entwickeln, die anhand von digital aufgenommenen Auskultationsdaten den Schweregrad einer Aortenklappenstenose valide erkennen kann. Die Ergebnisse einer ergänzenden transthorakalen Echokardiographie dienten dabei als Basis für das Lernen sowie als Erfolgskontrolle der KI. Es wurden verschiedene convolutional neural networks (CNN) entwickelt, welche mit den Daten trainierten. Die drei Lokalisationen für die Auskultation waren dabei der zweite Interkostalraum rechts parasternal (2RSB), der dritte Interkostalraum links parasternal (Erbscher Punkt) sowie der fünfte Interkostalraum links medioclavicular (Apex). Initial wurden 556 Datensätze in die Studie eingeschlossen. Für jeden der Auskultationsorte wurde ein separates Modell erstellt (L1-L3). Hier zeigte das Modell L1 mit den Auskultationsdaten vom zweiten Interkostalraum rechts (2RSB) die signifikant besten Ergebnisse mit einer Treffsicherheit von 93,4% sowie einem F1 Wert von 0,92 (p-Wert <0,001). Zur weiteren Leistungssteigerung wurden die Einzelmodelle in unterschiedlichen Gewichtungen kombiniert, sodass die Modelle E1-E3 entstanden. Hier konnte wiederum eine deutliche Überlegenheit des E1 Modells gezeigt werden. Zudem kann das Modell zuverlässig die verschiedenen Schweregrade der Aortenklappenstenose unterscheiden. Mit zusätzlichen Daten für eine klinische Validierung (n=132) konnte in Hinblick auf die schwere Aortenklappenstenose eine Sensitivität von 97,6% (41/42), eine Spezifität von 94,4% (85/90) sowie insgesamt eine Treffsicherheit von 95,7% (126/132) erreicht werden. Abschließend wurde durch die Visualisierung der Entscheidungsfindung der Künstlichen Intelligenz diese nachvollziehbar und transparent gemacht. Dies geschah durch Heatmaps, welche mit Mel-Spektrogrammen verknüpft wurden. Dadurch konnte nachgewiesen werden, dass sich die KI bei der korrekten Beurteilung insbesondere der schweren Aortenklappenstenose auf die systolischen Phase der Herzaktion fokussiert, wie es bei der Auskultation der Aortenklappenstenose zu erwarten ist. Zusammenfassend lässt sich festhalten, dass diese Künstliche Intelligenz in der Lage ist, die Schweregrade einer Aortenklappenstenose differenziert zu erkennen und dabei durch die Fokussierungsanalyse nachvollziehbare Ergebnisse liefert. Dies kann in Zukunft beispielsweise als Screeningtool verwendet werden. The population is becoming increasingly older due to demographic change, which is increasing the prevalence of valvular heart disease. The focus is particularly on aortic valve stenosis, which is the most common type of valve requiring treatment. At the same time, hardly any other topic is currently being discussed as controversially as the opportunities and risks of artificial intelligence (AI). This applies in particular to the medical field. The aim of this work was therefore to develop a transparent and comprehensible artificial intelligence that can validly recognize the severity of aortic valve stenosis based on digitally recorded auscultation data. The results of a complementary transthoracic echocardiography served as the basis for learning and as a success control for the AI. Various convolutional neural networks (CNN) were developed and trained with the data. The three localizations for auscultation were the second intercostal space on the right parasternal (2RSB), the third intercostal space on the left parasternal (Erb's point) and the fifth intercostal space on the left medioclavicular (apex). Initially, 556 data sets were included in the study. A separate model was created for each of the auscultation locations (L1-L3). Here, model L1 with the auscultation data from the second right intercostal space (2RSB) showed the significantly best results with an accuracy of 93.4% and an F1 value of 0.92 (p-value <0.001). To further increase performance, the individual models were combined in different weightings to create the E1-E3 models. Here again, a clear superiority of the E1 model was demonstrated. In addition, the model can reliably differentiate between the various degrees of severity of aortic valve stenosis. With additional data for clinical validation (n=132), a sensitivity of 97.6% (41/42), a specificity of 94.4% (85/90) and an overall accuracy of 95.7% (126/132) were achieved regarding severe aortic valve stenosis. Finally, the decision-making process of the artificial intelligence was visualized to make it comprehensible and transparent. This was done using heat maps, which were linked to Mel spectrograms. This made it possible to demonstrate that the AI focuses on the systolic phase of the cardiac action when correctly assessing severe aortic valve stenosis, as is to be expected when auscultating aortic valve stenosis. In summary, it can be said that this artificial intelligence is able to differentiate between the degrees of severity of aortic valve stenosis and provide comprehensible results through focusing analysis. This can be used as a screening tool in the future, for example.
Lizenz:	Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz
Fachbereich / Einrichtung:	Medizinische Fakultät
Dokument erstellt am:	17.02.2026
Dateien geändert am:	17.02.2026
Promotionsantrag am:	29.05.2025
Datum der Promotion:	20.01.2026