MMMID von RIKEN: KI erkennt verborgene Herzinfarkte in 4D-CT-Daten

In der kardiovaskulären Diagnostik stellt das Erkennen klinisch stummer oder verborgener Myokardinfarkte eine anhaltende Herausforderung dar. Am japanischen Forschungsinstitut RIKEN haben die Forscher Sasaki, Kurose und Harada mit dem MambaMorph-Motion Infarction Detector, kurz MMMID, ein System entwickelt, das auf die Detektion solcher verborgenen Herzinfarkte spezialisiert ist.

Das Verfahren analysiert dafür dynamische Bewegungsmuster in vierdimensionalen Computertomografien des Herzens, wie aus einem Bericht des Fachportals bioengineer.org vom 24. Oktober 2026 hervorgeht.

Validierungsergebnisse und diagnostische Genauigkeit

Für die Leistungsfähigkeit des Systems liefert die Forschungsarbeit von RIKEN detaillierte Messwerte. In einer stratifizierten Fünffach-Kreuzvalidierung auf Patientenebene, durchgeführt an internen klinischen Datensätzen, erzielte MMMID eine Gesamtgenauigkeit von 91,92 Prozent.

Die Fläche unter der ROC-Kurve (AUC) lag bei einem Wert von 0,9335. Diese Resultate belegen eine hohe Differenzierungsfähigkeit des KI-Modells bei der Auswertung komplexer Bild- und Zeitdaten des Herzmuskels.

Wer sich mit moderner Herzdiagnostik befasst, sollte auch seine grundlegenden Blutwerte im Blick behalten, um individuelle Risiken frühzeitig zu erkennen. Dieser kostenlose 25-Seiten-Report hilft Ihnen dabei, Ihre Laborergebnisse selbst richtig zu deuten und aktiv vorzusorgen. Laborwerte-Selbstcheck jetzt kostenlos herunterladen

Der Ansatz zielt darauf ab, funktionelle Veränderungen im Kontraktions- und Bewegungsablauf des Myokards sichtbar zu machen, die bei statischen Aufnahmen mitunter unentdeckt bleiben. Die Nutzung von 4D-CT-Daten erlaubt es, den gesamten Herzzyklus räumlich und zeitlich aufzulösen, um minimale myokardiale Funktionsstörungen zu lokalisieren.

Detailanalyse: Der Effekt von Bewegungsmustern

In einer ergänzenden Ablationsanalyse untersuchten die RIKEN-Forscher den spezifischen Beitrag der Bewegungsinformationen. Dabei zeigte sich, dass eine reine CT-Bildauswertung ohne sequentielle Bewegungsmuster (CT-only) einen AUC-Wert von 0,9340 erreichte, verglichen mit 0,9335 bei der kombinierten Nutzung von CT und Bewegungsdaten (CT+SeqMotion). Der Unterschied zwischen beiden Varianten erwies sich mit einem p-Wert von 0,41 als statistisch nicht signifikant.

Gleichzeitig führte die Integration der Bewegungsmuster über die Komponente SeqMotion jedoch zu einer deutlichen Steigerung der Sensitivität: Der Recall verbesserte sich von 71,47 Prozent auf 77,65 Prozent.

Viele klinisch relevante Werte werden im Alltag oft fehlinterpretiert, was die gezielte Vorsorge erschweren kann. Erfahren Sie in diesem praxisnahen Leitfaden eines Vitalstoffexperten, welche Parameter für Ihre Gesundheit wirklich entscheidend sind. Kostenlosen 25-Seiten-Report zur Laborwert-Analyse sichern

Für den klinischen Kontext bedeutet dies eine spürbar höhere Trefferquote beim tatsächlichen Auffinden vorhandener Infarktareale, auch wenn die Gesamttrennfunktion auf einem ähnlichen Niveau verbleibt. Beim statistischen Vergleich mit radiomischen Standardansätzen (Radiomics) ergab ein durchgeführter DeLong-Test einen p-Wert von 0,77.

Methodische Grenzen und klinische Perspektiven

Trotz der präzisen Klassifikationsergebnisse weist die RIKEN-Entwicklung derzeit methodische Limitationen auf. Die bisherigen Untersuchungen stützen sich ausschließlich auf eine monozentrische Datenbasis. Zudem liegt bislang keine externe Validierung an unabhängigen Daten anderer medizinischer Zentren vor.

Um die Generalisierbarkeit des MambaMorph-Motion Infarction Detectors für den regulären klinischen Betrieb zu belegen, sind künftige Validierungen mit multizentrischen Kohorten erforderlich. Erst durch solche Folgeprüfungen lässt sich klären, wie stabil der Algorithmus bei unterschiedlichen CT-Scannern, Bildgebungsprotokollen und variierenden Patientenprofilen arbeitet.