深度学习用于通过胎儿腹部超声波估计整个怀孕期间的胎儿体重

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 胎儿医学 胎儿医学

背景情况:

• 目前的胎儿体重估计依赖于启发式公式和胎儿生物测量 (头部,腹部,股骨测量).
• 这些传统方法由于操作员的经验,图像质量和胎儿运动而容易产生显著的观察者间和观察者内部变异.
• 这种变化影响胎儿体重估计的准确性,这对于产前护理至关重要.

研究的目的:

• 开发和验证深度学习 (DL) 模型,用于自动估计胎儿体重.
• 用腹部超声波视频扫描来评估DL模型的性能与专家人类测量.
• 为了确定DL是否可以提供精确的胎儿体重估计,减少观察者可变性.

主要方法:

• 使用了900次胎儿超声波检查的数据集,以及用于DL模型训练的800次视频扫描.
• 经过训练,DL模型从胎儿腹部的超声波视频扫描中直接估计胎儿体重.
• 在一个由100个扫描组成的前性测试组上评估了性能,将DL估计与6个人类读者的手动测量进行比较,使用布兰德-阿尔特曼分析,平均绝对百分比误差 (MAPE) 和类内相关系数 (ICC).

主要成果:

• 深度学习模型的性能与人类阅读器相当,没有通过布兰德-阿尔特曼分析发现的系统偏差.
• 在6个人类阅读器和DL方法之间,总体平均绝对百分比误差 (MAPE) 为3.75%±2.00%.
• 除初级阅读者外,4名专家和DL方法之间的MAPE为2.59%±1.11%,ICC指出的出色可靠性范围从0.9761到0.9865.

结论:

• 深度学习可以有效地从胎儿腹部的超声波视频扫描直接估计胎儿体重.
• 该DL方法显示性能与专家人类测量类似,提供了潜在的更客观和一致的方法.
• 这种人工智能驱动的方法为提高临床实践中胎儿体重估计的准确性和可靠性提供了有希望的进步.