KI-Modelle versagen bei Schlafdiagnose Schlaganfallpatienten Generalisierungsproblem

Ein neuer Beitrag auf arXiv (2603.23582v1) zeigt, dass KI‑Modelle, die für die automatisierte Schlafdiagnose bei gesunden Personen entwickelt wurden, bei Schlaganfallpatienten stark versagen. Schlafdiagnose ist entscheidend für die Behandlung von Schlafapnoe und Hypopnoe nach einem Schlaganfall. Polysomnographie (PSG) ist zwar zuverlässig, aber teuer und arbeitsintensiv.

Die Autoren nutzen Grad‑CAM‑Interpretationen, um zu demonstrieren, dass die Modelle bei klinischen Populationen mit gestörtem Schlaf nicht generalisieren. Sie stellen das neue, klinisch annotierte Datenset iSLEEPS vor, das EEG‑Aufzeichnungen von ischämischen Schlaganfallpatienten enthält und öffentlich zugänglich gemacht wird.

Mit einem SE‑ResNet plus bidirektionalen LSTM wurden einzelne EEG‑Kanäle für die Schlafstadienklassifikation getestet. Die Kreuzdomänenleistung zwischen gesunden und erkrankten Probanden war deutlich schlechter als erwartet. Die Attention‑Visualisierungen zeigten, dass das Modell bei Patienten auf physiologisch wenig informative EEG‑Bereiche fokussiert.

Statistische und rechnerische Analysen bestätigten signifikante Unterschiede in der Schlafarchitektur zwischen gesunden und Schlaganfallpatienten. Die Ergebnisse unterstreichen die Notwendigkeit, krankheits‑ oder subjektspezifische Modelle zu entwickeln und vor dem Einsatz klinisch zu validieren.

Der vollständige Artikel, die Codebasis und weitere Erklärungen sind unter https://himalayansaswatabose.github.io/iSLEEPS_Explainability.github.io/ verfügbar.