Das neue System wurde mit mehr als 13.000 Patientenstudien trainiert und bietet eine um bis zu 35 bessere Leistung als vorhandene Modelle
Ein Forscherteam der Carnegie Mellon University hat in Zusammenarbeit mit dem Cardiovascular Innovation Research Center der Cleveland Clinic ein System künstlicher Intelligenz (KI) entwickelt, das in der Lage ist, einige der komplexesten medizinischen Aufnahmen des Herzens, kardiale Magnetresonanztomographie (MRT), zu interpretieren, ohne dass manuell gekennzeichnete Trainingsdaten erforderlich wären.
Diese Pressemitteilung enthält multimediale Inhalte. Die vollständige Mitteilung hier ansehen: https://www.businesswire.com/news/home/20260521495949/de/
A team of researchers from Carnegie Mellon University, in collaboration with Cleveland Clinic's Cardiovascular Innovation Research Center, has developed an artificial intelligence (AI) system capable of interpreting some of the most complex heart scans in medicine, cardiac magnetic resonance imaging (MRI), without the need for manually labeled training data.
Das neue System CMR-CLIP interpretiert MRT-Aufnahmen des Herzens, indem bewegte Bilder des Herzens mit den entsprechenden klinischen radiologischen Befunden verknüpft werden. In Tests hat es eine deutlich teilweise um bis zu 35 - bessere Leistung erbracht als universelle KI-Modelle. Das System zeigte zudem ein starkes Potenzial zur Verbesserung der Analyse von Aufnahmen des Herzens, des Auffindens von Fällen und der Unterstützung klinischer Entscheidungen.
"Diese Arbeit zeigt, dass domänenspezifische Grundmodelle in spezialisierten klinischen Anwendungen deutlich bessere Ergebnisse liefern können als universelle KI-Systeme" sagte Ding Zhao, außerordentlicher Professor im Fachbereich Maschinenbau der Carnegie Mellon University und Co-Studienleiter der Studie. "Indem wir Modelle entwerfen, die die Struktur und Komplexität kardialer MRT-Daten widerspiegeln, anstatt generische Bildmodelle zu adaptieren, können wir neue Ebenen der Leistung und des klinischen Nutzens erreichen."
David Chen, Ph.D., von der Cleveland Clinic, ein Co-Studienleiter des Projekts, betonte die klinischen Auswirkungen der Arbeit. "Die Interpretation von MRT-Aufnahmen des Herzens ist äußerst spezialisiert und zeitintensiv. Systeme wie CMR-CLIP haben das Potenzial, Mediziner durch automatisiertes Screening und Hilfe bei der Interpretation zu unterstützen, insbesondere dann, wenn nicht ausreichend Sachverständige verfügbar sind. Solche Befundungsassistenz-Tools sind wesentlich, um den Patientenzugang zu dieser leistungsstarken Diagnosetechnologie zu verbessern."
Kardiale MRT gilt weitgehend als der Goldstandard für die Evaluation der Struktur, der Funktion und des Gewebezustands des Herzens. Ein einziger Scan kann eine umfassende Ansicht des Herzens liefern und Aufschluss über Pumpleistung, Muskelschädigung, Blutfluss und strukturelle Anomalitäten geben. Allerdings kann jede Studie hunderte bis tausende von Bildern in verschiedenen Ansichten und zu verschiedenen Zeitpunkten enthalten. Selbst für geschulte Spezialisten kann die Interpretation einer einzelnen Untersuchung 40 Minuten oder mehr in Anspruch nehmen. Da die Technologie teuer und in größeren medizinischen Zentren konzentriert ist, gibt es nur eine begrenzte Anzahl an Experten, um den wachsenden klinischen Bedarf zu decken.
Diese Kombination aus Komplexität und begrenzten Daten führt auch dazu, dass kardiale MRT eine der anspruchsvollsten Bereiche für KI ist. Die meisten Systeme für maschinelles Lernen benötigen umfangreiche, sorgfältig gekennzeichnete Datensätze, im Bereich der kardialen Bildgebung sind fachkundige Annotationen jedoch rar, zeitaufwendig in der Erstellung und teuer in der Skalierung.
Um diese Hürde zu überwinden, hat das Forschungsteam eine Ressource genutzt, die bereits in routinemäßige klinische Arbeitsabläufe integriert ist: radiologische Befunde. Jedes kardiale MRT ist mit einem schriftlichen Bericht gekoppelt, in dem Mediziner die wesentlichen Befunde in einem eigenen Bereich festhalten. Anstatt manuelle Kennzeichnungen vorzunehmen, trainierte das Team das CMR-CLIP, sodass MRT-Bildsequenzen mit diesen natürlichen klinischen Berichten abgeglichen werden und das Modell direkt aus realen Beschreibungen und Interpretationen der Mediziner lernen kann.
CMR-CLIP behandelt kardiale MRTs nicht als Sammlung statischer Bilder, sondern stellt jede Studie als Video des schlagenden Herzens dar. Das Modell verarbeitet mehrere Standardansichten des Herzens sowie zeitaufgelöste Sequenzen, die Bewegungen und Gewebeverhalten einfangen. Auf diese Weise erfasst das Modell sowohl Struktur als auch Bewegung, genauso wie ein Kardiologe, wenn er einen Scan prüft.
Das System wurde mit mehr als 13.000 realen anonymisierten Patientenstudien der Cleveland Clinic trainiert und lernte so aus mehr als einer Million von Bildern und hunderttausenden von Bewegungssequenzen aus mehr als einem Jahrzehnt. In Tests konnte CMR-CLIP Herzerkrankungen identifizieren, ohne direkt mit diesen spezifischen Kennzeichnungen geschult worden zu sein, indem es die Bilder beschreibenden Prompts wie "vergrößerte linke Herzkammer" zuordnete.
Noch bemerkenswerter ist, dass CMR-CLIP anhand eines einzigen Beispiels einer Erkrankung häufig dieselbe Leistung erbrachte wie andere Systeme, die Dutzende von gekennzeichneten Fällen erforderten. Bei spezialisierteren Diagnoseaufgaben erreichte das Modell fast klinische Leistungsniveaus, unter anderem Genauigkeitsraten von 99 für bestimmte Herzerkrankungen. Es zeigte zudem die Fähigkeit, große Scan-Datenbanken mit natürlicher Sprache zu durchsuchen und ähnliche Fälle zu finden. So könnten Mediziner eines Tages Patienten mit seltenen oder komplexen Aufnahmen schnell vergleichen.
Ein wichtiger Test, ob das System tatsächlich aussagekräftige Darstellungen lernte, erfolgte in einer externen Bewertung außerhalb der Institution, in der es trainiert wurde. Das Modell lieferte anhand von zwei vollkommen separaten Datensätzen starke Ergebnisse (ein Datensatz aus Frankreich und einer aus der Cleveland Clinic Florida), was darauf hindeutet, dass es über ein einzelnes Krankenhaussystem hinweg generalisieren kann.
"Diese Arbeit zeigt eine neue Richtung für die medizinische KI auf, indem sie veranschaulicht, wie umfangreiche klinische Daten eingesetzt werden können, um Modelle zu trainieren, ohne eine zeitaufwendige manuelle Kennzeichnung zu erfordern", sagte Deborah Kwon, M.D., Leiterin kardiale MRT der Cleveland Clinic, klinische Leiterin und Co-Autorin dieser Studie. "Diese Technologie hat das Potenzial, nicht nur die Effizienz zu verbessern, sondern auch die Qualität der Befunde, um konsistentere und klinisch aussagekräftigere Interpretationen zu unterstützen. Zudem kann es als wichtiges Lehrinstrument in einem äußerst spezialisierten und komplexen Gebiet der Bildgebung dienen."
Für die Zukunft plant das Forschungsteam, das Modell auf weitere kardiale Bildgebungssequenzen zu erweitern, darunter Perfusionsbildgebung, T2-gewichtete Bildgebung und parametrische Abbildung, und Anwendungsmöglichkeiten in Systemen für die automatisierte Befundgenerierung und interaktive Unterstützung klinischer Entscheidungen in Anwendungen mit begrenzten Ressourcen zu untersuchen. Diese Forschung wurde in Nature Communications veröffentlicht. Die Codebasis von CMR-CLIP ist öffentlich verfügbar unter: github.com/Makiya11/CMRCLIP.
Über das College of Engineering: Das College of Engineering der Carnegie Mellon University ist eine der renommiertesten technischen Hochschulen, die für ihren starken Fokus auf interdisziplinäre Zusammenarbeit in der Forschung bekannt ist. Das College ist für seine Arbeiten an Problemen von sowohl wissenschaftlicher als auch praktischer Bedeutung bekannt. Unsere "Maker"-Kultur ist in allem, was wir tun, tief verwurzelt und führt zu neuartigen Ansätzen und bahnbrechenden Ergebnissen. Unsere renommierten Dozenten legen den Schwerpunkt auf Innovationsmanagement und Ingenieurwesen, um transformative Ergebnisse zu erzielen, die die intellektuelle und wirtschaftliche Vitalität unserer Gemeinschaft, unserer Nation und unserer Welt fördern.
Über die Cleveland Clinic
Cleveland Clinic ist ein gemeinnütziges akademisches medizinisches Zentrum mit verschiedenen Fachgebieten, das klinische und Krankenhauspflege mit Forschung und Bildung kombiniert. Die Cleveland Clinic wurde 1921 von vier renommierten Medizinern mit der Vision gegründet, herausragende Patientenpflege basierend auf den Grundsätzen der Kooperation, des Mitgefühls und der Innovation zu bieten. Seitdem hat sie zahlreiche medizinische Durchbrüche bewirkt, darunter die Koronararterien-Bypassoperation und die erste Gesichtstransplantation in den Vereinigten Staaten. Die Cleveland Clinic wird in den USA und der Welt durchgängig für ihre Expertise und Pflege anerkannt. Unter den weltweit 83.000 Mitarbeitenden der Cleveland Clinic sind mehr als 6.600 angestellte Mediziner und Forscher und 21.900 reingetragene Krankenpfleger und erweiterte klinische Fachkräfte aus 140 medizinischen Fachgebieten und Teilgebieten. Die Cleveland Clinic ist ein Gesundheitssystem mit 6.725 Betten und einem ca. 700.000 Quadratmeter großen Hauptcampus in Zentrumsnähe von Cleveland, 23 Krankenhäusern, 300 ambulanten Einrichtungen, darunter Standorten in Nordost-Ohio, Florida, Las Vegas, Nevada, Toronto, Kanada, Abu Dhabi, VAE und London, England. 2025 wurden im Gesundheitssystem der Cleveland Clinic 15,9 Millionen ambulante Behandlungen, 343.000 stationäre Aufnahmen und Beobachtungen sowie 336.000 Operationen und Behandlungen verzeichnet. Besuchen Sie uns auf clevelandclinic.org. Folgen Sie uns auf x.com/CleClinicNews. Nachrichten und Ressourcen finden Sie auf newsroom.clevelandclinic.org.
Anmerkung des Herausgebers:Cleveland Clinic News Service stellt auf Anfrage Interviews und B-Roll-Material in Sendequalität zur Verfügung.
Die Ausgangssprache, in der der Originaltext veröffentlicht wird, ist die offizielle und autorisierte Version. Übersetzungen werden zur besseren Verständigung mitgeliefert. Nur die Sprachversion, die im Original veröffentlicht wurde, ist rechtsgültig. Gleichen Sie deshalb Übersetzungen mit der originalen Sprachversion der Veröffentlichung ab.
Originalversion auf businesswire.com ansehen: https://www.businesswire.com/news/home/20260521495949/de/
Contacts:
Alicia Reale, 216.408.7444, realeca@ccf.org
Kaitlyn Landram, 412.715.1511, klandram@andrew.cmu.edu
