一种基于深度学习的方法可以在胎儿超声波中检测出常见和罕见的遗传疾病

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 遗传学 是一个遗传学.

背景情况:

• 遗传综合征影响8%的人口,诊断通常发生在出生后.
• 目前的面部识别技术不适合产前诊断.
• 异常的面部特征是各种遗传疾病的指标.

研究的目的:

• 开发一种自动化产前查算法,用于检测患有遗传疾病的高风险胎儿.
• 评估算法在识别特定染色体异常和罕见遗传疾病方面的有效性.

主要方法:

• 开发Pgds-ResNet,这是一个基于深度神经网络的算法,用于自动化产前查.
• 利用面部特征分析来检测胎儿的遗传异常.
• 与经验丰富的超声波仪表师的表现进行比较分析.

主要成果:

• Pgds-ResNet在查三相 21 (0.83/0.94),三相 18 (0.92/0.93),三相 13 (0.75/0.95) 和罕见遗传疾病 (0.96/0.92) 中表现出高灵敏度和特异性.
• 算法检测到的异常,通过热图可视化,与临床发现保持一致.
• 在比较实验中,性能与经验丰富的超声波仪器师相提并论.

结论:

• Pgds-ResNet提供了一种非侵入性,负担得起和补充的方法,用于早期产前遗传疾病风险评估.
• 该算法提高了各种遗传疾病,包括罕见疾病的检测率.
• 这项技术在产前查和诊断方面取得了重大进展.