Explainable Machine Learning in der Medizintechnik : Aufbau eines CDSS zur Unterstützung der Erkennung von kardiovaskulären Krankheiten

Abstract

In letzter Zeit ist das Thema Machine Learning (ML) immer bekannter geworden und wird bereits in vielen Disziplinen aus der Industrie und Wissenschaft angewendet. Unter Machine Learning wird dabei das automatisierte Lernen aus Datenbeständen mittels mathematischer und statistischer Methoden verstanden. Machine Learning wird auch in der Medizin und der Medizintechnik eingesetzt. So können z.B. mittels ML-Modellen Krankheiten von Patienten auf Basis gesammelter Daten vorhergesagt werden. Dadurch besteht die Perspektive, dass medizinische Diagnosen langfristig durch ML verbessert werden könnten. Bei der Anwendung von ML in diesem Bereich gibt es aber auch genügend Faktoren, die dieses Vorgehen erschweren. Dies sind v.a. anwendungsbedingte Schwierigkeiten bei der Auswertung medizinischer Daten und anwendungsunabhängige Herausforderungen, die sich aus statistischer Sicht bei der Datenauswertung ergeben. In diesem Kontext ist wichtig, dass viele Modelle des ML sich durch Experten des jeweiligen Fachgebiets zunächst nicht direkt erklären bzw. nachvollziehen lassen. Die Machine Learning Modelle werden dann als sogenannte ”Black Box“-Modelle bezeichnet. Die Anwendung dieser Modelle könnte dazu führen, dass ein Modell für einen Anwender, z.B. in der Medizin einem Arzt bei der Diagnose, nur teilweise nachvollziehbar ist. Ebenso kann es dazu führen, dass fehlerhafte Entscheidungen des ML-Algorithmus nur schwer erkannt werden können. Während in einigen Anwendungen aus der Medizin und Medizintechnik die Nachvollziehbarkeit nur eine geringe Rolle spielt, so ist in vielen der medizinischen Anwendungen von ML die Nachvollziehbarkeit vorrangig. Die Methoden des ML m¨ussen deshalb an die Anforderung erklärbar zu sein angepasst werden. Dazu werden Methoden des Explainable Machine Learning angewendet. In dieser Arbeit wird versucht, dies am Beispiel der Erkennung von kardiovaskulären Krankheiten bzw. den koronaren Herzerkrankungen anhand des ”Heart Disease“-Datensatzes prinzipiell zu implementieren. Die Anwendung wäre neben anderen möglichen Anwendungsgebieten v.a. klinisch als ein (fiktives) Clinical Decision Support System (CDSS) einzusetzen. Ein solches System könnte prinzipiell als Unterstützung für Ärzte dabei helfen, kardiovaskuläre Krankheiten von Patienten zu erkennen. Das aufgebaute ML-Modell soll dabei nicht nur die Möglichkeit bieten, Ergebnisse interpretieren zu können, sondern die Ergebnisse des ML-Algorithmus sollten idealerweise im Detail nachvollziehbar sein. Bei der Untersuchung des ”Heart Disease“-Datensatzes werden bis zu 33 Merkmale betrachtet. Da der Datensatz in dieser Situation weniger häufig ausgewertet wurde, wird versucht in dieser Situation weitere Fragestellungen zu dem Datensatz zu beantworten.