胎儿心率细分选择对深度学习模型对胎儿妥协检测的影响

科学领域:

• 产科和妇科 产科和妇科
• 人工智能在医学中的应用
• 信号处理 信号处理

背景情况:

• 胎儿心率 (FHR) 监测对于评估胎儿妥协风险至关重要.
• 人类对FHR记录的解释受到观察者间的变化和高假阳性率的影响.
• 深度学习提供自动化FHR解释,以提高检测准确度.

研究的目的:

• 开发和评估一个新的深度学习模型用于胎儿妥协检测,该模型对输入长度不变.
• 确定FHR细分选择,包括信号间隙消除,对模型性能的影响.
• 评估最佳的FHR段长度,以准确检测胎儿的妥协性.

主要方法:

• 开发了一个新的输入长度不变深度学习模型.
• 在552个FHR录音中进行了五次交叉验证,并重复了五次.
• 使用不同长度的FHR段 (15-60分钟) 评估模型性能,有或没有信号间隙去除.

主要成果:

• 当信号间隙被消除时,随着分段长度的增加,模型性能得到改善 (AUC从0.50到0.74).
• 在不消除信号间隙的情况下使用FHR段始终优于在所有测试长度上消除间隙的方法 (AUC为0.68至0.76).
• 没有消除间隙的较长段显示出最高的性能.

结论:

• FHR细分的选择显著影响深度学习模型的性能,用于胎儿的妥协检测.
• 从FHR记录中删除信号差距可能会导致有价值的诊断信息丢失.
• 未来的研究应该优先考虑有效利用连续FHR数据的方法,包括信号差距的时期.