Studie will Vorhersage von Herzkrankheiten mit Google Street View verbessern

In einer aktuellen Studie haben Forschende der Case Western Reserve University in Cleveland, Ohio, Straßenansichten von Google Street View mit künstlicher Intelligenz analysiert, um einen Zusammenhang zwischen der bebauten Umgebung und der Häufigkeit von koronaren Herzkrankheiten (KHK) in verschiedenen Stadtvierteln herzustellen.

Verbesserte Vorhersagemodelle durch Street-View-Daten

Die im European Heart Journal veröffentlichte Studie legt nahe, dass die aus den Street-View-Bildern mit Machine Learning extrahierten Merkmale der städtischen Umgebung 63 Prozent der Unterschiede in der KHK-Prävalenz zwischen den Stadtvierteln erklären können. Die Analyse der Google Street View-Bilder verbesserte ein Modell, das zuvor nur Alter, Geschlecht, ethnische Zugehörigkeit, Einkommen und Bildung der Volkszählungsbezirke berücksichtigt hatte.

Für die Studie wurden rund eine halbe Million Bilder von Google Street View aus Detroit, Kansas City, Cleveland, Brownsville, Fremont, Bellevue und Denver ausgewertet. Zur Bildverarbeitung und Extraktion von Umgebungsinformationen setzte das Team das vortrainierte Deep Convolutional Neural Network Places365 CNN ein.

Grad-CAM macht Risikofaktoren sichtbar

Durch zusätzliche Analysen mittels Gradient-Weighted Class Activation Mapping (Grad-CAM) konnten die Forscher auch identifizieren, welche konkreten Umweltmerkmale laut KI mit einem erhöhten oder verringerten KHK-Risiko verbunden sind. So wiesen baufällige Gebäude und Straßenschäden auf ein erhöhtes Risiko hin, während Straßenbegrünung mit einer geringeren Prävalenz verbunden war. Die Autoren sehen in ihrem Ansatz das Potenzial, durch KI-Auswertung von Geodaten schnell Stadtteile mit erhöhtem Risiko zu identifizieren. So könnten gezielte Präventionsmaßnahmen ergriffen und kardiovaskuläre Ungleichheiten im städtischen Raum reduziert werden.

Was bedeutet Grad-CAM?​

Grad-CAM, kurz für Gradient-Weighted Class Activation Mapping, ist eine Technik, die Einblicke in die Entscheidungsfindung von Convolutional Neural Networks (CNNs) gibt, indem sie visualisiert, welche Bereiche eines Bildes zur Identifizierung einer bestimmten Klasse beigetragen haben. Dies wird erreicht, indem Gradienten der Zielklasse in Bezug auf die letzte Faltungsschicht des CNN verwendet werden, um eine Heatmap-ähnliche Darstellung zu erstellen, die zeigt, welche Teile des Bildes für die Klassifikation wichtig waren.

Allerdings hat die Studie auch einige Einschränkungen, wie die Forscher selbst einräumen. So bilden die Street-View-Daten nur die Hauptstraßen ab, nicht aber die abseits gelegenen Wohngebiete. Außerdem können die KI-Modelle nur begrenzt Details und Objekte erkennen. Auch die "Grad-CAM"-Visualisierung lässt Raum für Spekulationen darüber, was die KI tatsächlich erfasst hat. Schließlich stammen die analysierten Daten nur aus sieben US-Städten und können nicht unbedingt verallgemeinert werden.

(vza)