DigitaLung: Benutzerorientierte Webanwendung zur Analyse von Atemgeräuschen mit maschinellem Lernen

Chronische Atemwegserkrankungen haben sich zu einem großen Gesundheitsproblem entwickelt und sind laut einer Veröffentlichung des Institute for Health Metrics and Evaluation (IHME) vom April 2023 die dritthäufigste Todesursache weltweit. Sie waren 2019 für etwa 4 Millionen Todesfälle verantwortlich und einer von 20 Menschen weltweit litt an einer chronischen Atemwegserkrankung. Die Auskultation, d. h. das Abhören von Lungen- und Herztönen mit einem Stethoskop, ist das weltweit am häufigsten angewandte Diagnoseverfahren und liefert dem medizinischen Fachpersonal unschätzbare Erkenntnisse über die Struktur und Funktion beider Organsysteme. Studien haben jedoch gezeigt, dass die Zuverlässigkeit dieser Methode häufig von der Erfahrung und dem Hörvermögen des Arztes abhängt, was zu einer subjektiven, fehleranfälligen Interpretation der Geräusche führen kann. Daher ist es von entscheidender Bedeutung, innovative Ansätze zu verfolgen, die unser Verständnis der Atemgeräusche verbessern und die Entwicklung neuer, zuverlässigerer Diagnoseinstrumente ermöglichen.

Das Fraunhofer ITEM war an dem bis Herbst 2025 laufenden Projekt »DigitaLung« (Digitales Auskultationssystem zur Differentialdiagnose von Lungenerkrankungen mittels maschinellen Lernens) beteiligt, das vom Medizintechnikprogramm des Bundesministeriums für Bildung und Forschung gefördert wurde und ein Kooperationsprojekt mit den Partnern ERKA Kallmeyer Medizintechnik GmbH & Co. KG, der Medizinischen Hochschule Hannover und der Leibniz Universität Hannover war. Im Rahmen des Projekts entwickelten und optimierten die Forschenden des Fraunhofer ITEM eine benutzerorientierte Webanwendung, die die Expertenanalyse von Atemgeräuschen unterstützt. Die Web-App ist als eigenständiges Werkzeug konzipiert und adressiert zwei zentrale Aspekte der Forschungsziele: die abschnittsweise Visualisierung von Atemzyklen sowie den integrierten Einsatz unüberwachter Algorithmen des maschinellen Lernens.

Die erzielten Ergebnisse zeigen, dass die eingesetzten Methoden des maschinellen Lernens eine effektive Klassifikation von Atemwegserkrankungen ermöglichen. Darüber hinaus konnte durch eine gezielte Anpassung der Modellparameter – insbesondere der Verlustfunktionen – ein ausgewogenes Verhältnis zwischen Sensitivität und Spezifität erreicht werden. Dies gilt auch für unterschiedliche Subgruppen, beispielsweise in Bezug auf Alter und Geschlecht.