EvoMorph: KI-gestützte Counterfactual-Erklärungen für kontinuierliche PPG-Analyse

Wearable‑Technologien ermöglichen die kontinuierliche Erfassung von physiologischen Signalen wie Photoplethysmographie (PPG) in großem Umfang. Durch diese Daten können Modelle der extrinsischen Zeitreihenregression (TSER) wichtige klinische Parameter wie Herzfrequenz, Atemfrequenz und Sauerstoffsättigung schätzen.

Für die klinische Entscheidungsfindung reicht ein einzelner Schätzwert jedoch nicht aus. Ärzte benötigen zusätzlich zu den Vorhersagen ein Verständnis dafür, wie robust diese Ergebnisse gegenüber physiologisch plausiblen Veränderungen sind und welche realistischen Signaländerungen die Vorhersage tatsächlich beeinflussen würden.

Counterfactual‑Erklärungen (CFE) adressieren genau diese „Was-wäre-wenn“-Fragen. Bisher beschränken sich die meisten CFE‑Methoden für Zeitreihen jedoch auf Klassifikationsaufgaben, berücksichtigen die Morphologie der Signale kaum und liefern häufig physiologisch unplausible Ergebnisse – ein großes Hindernis für die Anwendung in der Medizin.

Um diese Lücken zu schließen, wurde EvoMorph entwickelt: ein evolutionäres, mehrzieliges Framework, das physiologisch plausible und vielfältige Counterfactuals für TSER‑Anwendungen erzeugt. EvoMorph optimiert morphologie‑bewusste Ziele, die auf interpretierbaren Signaldarstellern basieren, und wendet Transformationen an, die die Struktur des Waveforms bewahren.

In umfangreichen Tests auf drei PPG‑Datensätzen – Herzfrequenz, Atemfrequenz und Sauerstoffsättigung – zeigte EvoMorph gegenüber einem nearest‑unlike‑neighbor‑Baseline deutlich bessere Ergebnisse. Ein ergänzendes Fallstudien‑Setup demonstrierte zudem, wie EvoMorph als Werkzeug zur Uncertainty‑Quantifizierung in klinischen Szenarien eingesetzt werden kann.

Mit EvoMorph erhalten medizinische Fachkräfte ein robustes, erklärbares Tool, das die Vertrauenswürdigkeit von KI‑gestützten Vorhersagen in der kontinuierlichen Patientenüberwachung nachhaltig stärkt.