# Falschfarben auf EKG-Bildern verbessern KI-Erkennung von Herzrisiken

> Eine klinisch entwickelte Farbskala erhöhte die AUC bei EKG-Bildern von 0,72 auf über 0,9 und sorgte in einer Epilepsie-Kohorte der UK Biobank für stabilere Modellerklärungen.

Oossa · 2026-11-10 · https://oossa.com/de/pseudo-colour-ecg-images-boost-ai-heart-risk-detection-and-explanations

Forschende trainierten zwei identische Residualnetzwerke mit EKG-Bildern einzelner Herzschläge. Ein Netzwerk erhielt eine Falschfarbendarstellung, bei der der Bereich unter dem QT-Intervall mit Farben aus dem QT-Nomogramm ausgefüllt wurde – einem klinischen Instrument zur Risikobewertung. Das reine Farbmodell erreichte bei zwei Untersuchungsterminen der UK Biobank AUC-Werte von 0,903 und 0,914, während das monochrome Modell bei etwa 0,72 blieb. Bei acht Verfahren zur Erklärung der Modellergebnisse ermöglichten die farbigen Eingaben eine deutlichere und stabilere Lokalisierung des riskanten QT-Bereichs.

## Die Fakten

- AUC 0,903 und 0,914 beim Farbmodell gegenüber 0,719 und 0,720 beim monochromen Modell
- Studie veröffentlicht am 10. Nov. 2026

## Warum es wichtig ist

Ärztinnen und Ärzte könnten sich auf KI-generierte EKG-Erklärungen verlassen, die mit bekannten elektrophysiologischen Zusammenhängen übereinstimmen. Das würde das Vertrauen in automatisierte Risikobewertungen stärken.

## Quellen und Referenzen

1. [Clinically Informed Colour Encoding Improves the Localisation and Stability of Explanations in Deep Learning ECG Models: External Validation in a UK Biobank Epilepsy Cohort](https://arxiv.org/abs/2611.09971) – arXiv cs.CV, 2026-11-10

Zuletzt aktualisiert: 2026-11-10