Künstliche Intelligenz und Machine Learning in der Auskultation – ein Ausblick auf das Projekt DigitaLung

Zusammenfassung

Hintergrund

Die Auskultation ist eine der ärztlichen Schlüsselkompetenzen in der körperlichen Untersuchung. Hauptproblem der Auskultation ist die fehlende Objektivierbarkeit der Befunde und die große Abhängigkeit von der Erfahrung des Untersuchenden. Die Auskultation mittels Machine Learning und mithilfe neuronaler Netzwerke verspricht großes Potenzial für die Lösung dieser Probleme im klinischen Alltag.

Methoden

Es erfolgte eine selektive Recherche nach Studien in PubMed, anhand derer die Möglichkeiten des Machine Learnings in der medizinischen Diagnostik sichtbar werden.

Ergebnisse

In allen detektierten Studien konnten signifikante Unterschiede zwischen den jeweiligen Testgruppen zugunsten der Künstlichen Intelligenz (KI) gezeigt werden. Neben den positiven Studienergebnissen konnten auch die Limitationen der KI analysiert und kritisch hinterfragt werden.

Schlussfolgerung

Die medizinische Forschung befindet sich auf dem Gebiet der Künstlichen Intelligenz noch in den Anfängen. Perspektiven und Grenzen der KI müssen weiter untersucht werden und bedürfen großer Aufmerksamkeit in der Zusammenarbeit von Klinikern, Wissenschaftlern und KI-Experten. Öffentlich geförderte Projekte wie DigitaLung (Digitales Auskultationssystem zur Differenzialdiagnose von Lungenerkrankungen mittels Machine Learning), welches mittels KI die Lungenauskultation perspektivisch verbessern soll, helfen dabei, den diagnostischen Nutzen der KI für die Patientenversorgung zu erschließen, und könnten in Zukunft Möglichkeiten die Versorgung verbessern.

Abstract

Background

Auscultation is one of the key medical skills in physical examination. The main problem with auscultation is the lack of objectivity of the findings and great dependence on the experience of the examiner. Auscultation using machine learning and neural networks promises great potential for solving these problems in clinical practice.

Methods

A selective search for studies in PubMed was carried out, which revealed the possibilities of machine learning in medical diagnostics.

Results

In all the studies identified, significant differences were shown between the respective test groups in favour of artificial intelligence (AI). In addition to the positive study results, the limitations of AI could also be analysed and critically scrutinised.

Conclusion

Medical research in the field of artificial intelligence is still in its infancy. The prospects and limitations of AI must be further investigated and require close attention in the collaboration between clinicians, scientists and AI experts. Publicly funded projects such as DigitaLung (a digital auscultation system for the differential diagnosis of lung diseases using machine learning), which aims to improve lung auscultation using AI, will help to unlock the diagnostic benefits of AI for patient care and could improve care in the future.

Schlüsselwörter

Künstliche Intelligenz - Machine learning - Lungenauskultation

Keywords

artificial intelligence - machine learning - lung auscultation

Publication History

Received: 04 April 2024

Accepted after revision: 19 December 2024

Article published online:
17 February 2025

• Literatur

• 1 Choi RY, Coyner AS, Kalpathy-Cramer J. et al. Introduction to Machine Learning, Neural Networks, and Deep Learning. Transl Vis Sci Technol 2020; 9: 14
• 2 Palaniappan R, Sundaraj K, Sundaraj S. Artificial intelligence techniques used in respiratory sound analysis – a systematic review. Biomed Tech Eng 2014; 59: 7-18
• 3 Kriegeskorte N, Golan T. Neural network models and deep learning. Curr Biol 2019; 29: R231-R236
• 4 Reichert S, Gass R, Brandt C. et al. Analysis of Respiratory Sounds: State of the Art. Clin Med Circ Respir Pulm Med 2008; 2: CCRPM.S530
• 5 Demir F, Sengur A, Bajaj V. Convolutional neural networks based efficient approach for classification of lung diseases. Health Inf Sci Syst 2020; 8: 4
• 6 Yacoub B, Varga-Szemes A, Schoepf UJ. et al. Impact of Artificial Intelligence Assistance on Chest CT Interpretation Times: A Prospective Randomized Study. Am J Roentgenol 2022; 219: 743-751
• 7 Lee HJ, Aslim EJ, Balamurali BT. et al. Development and Validation of a Deep Learning System for Sound-based Prediction of Urinary Flow. Eur Urol Focus 2023; 9: 209-215
• 8 Alqudah AM, Qazan S, Obeidat YM. Deep learning models for detecting respiratory pathologies from raw lung auscultation sounds. Soft Comput 2022; 26: 13405-13429
• 9 Dean NC, Vines CG, Rubin J. et al. Implementation of Real-Time Electronic Clinical Decision Support for Emergency Department Patients with Pneumonia Across a Healthcare System. AMIA Annu Symp Proc AMIA Symp 2019; 2019: 353-362
• 10 Zhu H, Lai J, Liu B. et al. Automatic pulmonary auscultation grading diagnosis of Coronavirus Disease 2019 in China with artificial intelligence algorithms: A cohort study. Comput Methods Programs Biomed 2022; 213: 106500
• 11 Gaedcke S. Digitalung: Digital Auscultation System for Differential Diagnosis of Lung Diseases Using Machine Learning. 2024
• 12 https://medium.com/analytics-vidhya/understanding-the-mel-spectrogram-fca2afa2ce53
• 13 Grzywalski T, Piecuch M, Szajek M. et al. Practical implementation of artificial intelligence algorithms in pulmonary auscultation examination. Eur J Pediatr 2019; 178: 883-890
• 14 Chorba JS, Shapiro AM, Le L. et al. Deep Learning Algorithm for Automated Cardiac Murmur Detection via a Digital Stethoscope Platform. J Am Heart Assoc 2021; 10: e019905
• 15 Irvin JA, Pareek A, Long J. et al. CheXED: Comparison of a Deep Learning Model to a Clinical Decision Support System for Pneumonia in the Emergency Department. J Thorac Imaging 2022; 37: 162-167
• 16 Statista, KI-Startups im Gesundheitswesen, Jan 2024. https://de.statista.com/themen/8222/kuenstliche-intelligenz-im-gesundheitswesen/#editorsPicks
• 17 Pfannstiel MA. Künstliche Intelligenz im Gesundheitswesen. 1. Auflage. Wiesbaden: Springer Gabler; 2022
• 18 Exactitude Consultancy, “AI Market in Healthcare”, Mar 2022. https://exactitudeconsultancy.com/de/
• 19 Rancier MA, Israel I, Monickam V. et al. Real World Evaluation of an Artificial Intelligence Enabled Digital Stethoscope for Detecting Undiagnosed Valvular Heart Disease in Primary Care. Circulation 2023; 148 (Suppl. 1)