KI am Krankenbett: Herz, vorgestellte Sprache und Kalibrierung der Computertomografie

Herzinsuffizienz belastet die Versorgung. Die Patienten sind älter, leiden unter Begleiterkrankungen und kommen häufig ins Krankenhaus. Die Fernüberwachung soll eine Verschlechterung früher erkennen. Doch die Daten fallen spärlich an, werden unregelmäßig abgetastet und stammen überwiegend aus Fällen ohne Ereignis.

Erkennung einer Verschlechterung aus Telemonitoring-Daten

Das Modell TRACER, ein Transformer mit kontrastiver Ereignisrepräsentation, wurde für genau solche Daten entwickelt. Es verbindet zeitbewusste Einbettungen von Biomarkern, kontrastives Vortraining zur Verstärkung der Anomalieerkennung und unabhängige binäre Klassifikatoren für die einzelnen Nachweise. Die Autoren arbeiteten mit Messreihen aus der Fernüberwachung von 276 Patienten mit Herzinsuffizienz. Sie teilten die Sequenzen nach zeitlichen Regeln in überlappende Fenster auf und vergaben die Etiketten anhand der Krankenhauseinweisung am Ende des Fensters. In einem stark unausgewogenen realen Datensatz sagte das Modell 66,7 Prozent der Wege korrekt voraus, die zu einer Krankenhauseinweisung wegen Herzinsuffizienz führten, bei einer Überbewertung von 7,9 Prozent. Eine Umstellung des Trainings auf die Ereignisdetektion verbesserte die Ergebnisse gegenüber dem direkten Lernen auf prognostischen Fenstern und erlaubte es, die wenigen Ereignisse besser zu nutzen. Die Autoren betonen, dass das Ziel darin besteht, Alarme zu erzeugen, die eine frühe Intervention ermöglichen, und nicht darin, die klinische Entscheidung zu ersetzen.

Vorgestellte Sprache und ehrliche Bewertung

Die Dekodierung vorgestellter Sprache aus der Elektroenzephalografie gilt als möglicher Weg der Kommunikation für Menschen mit schweren Bewegungsstörungen. Das Problem: Die berichteten Ergebnisse beruhen oft auf Bewertungsprotokollen, die keine Verallgemeinerung auf neue Personen abbilden. Das dänische Team von Frederik Møllskov Trier führte eine transparente Basisstudie auf einem mehrklassigen EEG-Datensatz vorgestellter Sprache durch, mit einem streng personenunabhängigen Bewertungsschema.

Verglichen wurden zwei Verarbeitungs- und Merkmalsextraktionspipelines: statistische Merkmale im Zeitbereich und die Leistung in Spektralbändern. Der zweite Weg erzielte eine deutlich höhere mittlere Genauigkeit auf Probenebene, 49,03 plus minus 4,18 Prozent gegenüber 37,97 plus minus 3,79 Prozent, bei der groben Klassifikation zwischen Personen. Die Vorwärtsmerkmalsauswahl zeigte, dass die meisten diskriminierenden Informationen in einer begrenzten Teilmenge von Bändern liegen. Die Autoren betrachten dies als solide Grundlage für weitere Arbeiten an Gehirn-Computer-Schnittstellen, nicht als fertiges Produkt.

Kalibrierung, wenn das Modell eine Blackbox ist

Die dritte Arbeit betrifft die Sicherheit radiologischer Systeme. Damit Entscheidungen über Triage, Folgeantersuchungen oder Behandlungsplanung sicher sind, müssen die vom Modell zurückgegebenen Wahrscheinlichkeiten kalibriert sein, also das reale Risiko abbilden. Übliche Techniken zur Verbesserung der Kalibrierung wie Monte-Carlo-Dropout oder tiefe Ensembles erfordern Zugang zu den Modellparametern oder ein erneutes Training. Kommerzielle klinische Systeme sind dagegen Blackboxen.

Das vorgeschlagene Framework ist modellunabhängig: Es nutzt eine klinisch begründete Erweiterung des Testsatzes mit geometrischen und physikalisch inspirierten Perturbationen der dreidimensionalen Computertomografie und lernt eine Strategie zur Aggregation der Wahrscheinlichkeiten, ohne Zugang zum Inneren des Modells oder zu den Trainingsdaten. Bei der Erkennung von Lungenembolie und intrazerebraler Blutung erreichte die Variante DualTTA die beste Kalibrierung unter den Methoden zur Erweiterung des Testsatzes und senkte den erwarteten Kalibrierungsfehler um 54 Prozent (von 0,239 auf 0,109) sowie um 43 Prozent (von 0,051 auf 0,029). In den meisten Metriken lag sie damit vor Techniken, die Zugang zum Inneren des Modells erfordern, wie Temperaturskalierung, Monte-Carlo-Dropout und tiefe Ensembles.

Die drei Arbeiten zusammen markieren die praktische Grenze: die Stelle, an der ein Modell auf realen, seltenen und unregelmäßigen Daten arbeitet, und die Stelle, an der nicht ein neues Modell den Mehrwert bringt, sondern eine ehrliche Bewertung und Kalibrierung.