深度学习算法用于预测可能发生的早产病例中的早产预测,使用透阴超声波
Ai Ohtaka1, Munetoshi Akazawa2, Kazunori Hashimoto1
1Department of Obstetrics and Gynecology, Tokyo Women's Medical University Adachi Medical Center, 2-1-10 Kohoku, Adachi-ku, Tokyo, Japan.
Journal of medical ultrasonics (2001)
|December 15, 2023
概括
深度学习模型使用阴道超声图像准确地预测早产,优于人类专家. 这一进步有助于早期检测和干预早产.
科学领域:
- 产周医学 产周医学
- 医学成像医学成像
- 人工智能的人工智能是人工智能.
背景情况:
- 过早分娩是围产期护理的一个重大挑战,需要改进预测方法.
- 准确的预测可以及时进行干预和加强产前监测.
- 深度学习为提取与疾病预测相关的微妙图像特征提供了潜力.
研究的目的:
- 开发和评估用于预测早产的深度学习模型.
- 为了利用经阴道超声波图像来预测早产.
- 将深度学习模型的性能与人类专家评估进行比较.
主要方法:
- 医院住院的患者因威胁过早分娩或宫长度缩短而入院.
- 分析了宫的经阴道超声波图像.
- 卷积神经网络 (CNN) 和视觉转换器 (Vit) 用于模型构建.
- 深度学习模型的性能与两个人类专家进行了比较.
主要成果:
- 该研究包括59名患者 (30名早产,29名满期).
- 临床变量,包括宫长度,没有显示显著的跨组差异.
- 最好的CNN模型的精度为0.718 (AUC 0.704),超过视觉变压器 (0.645精度,0.587AUC) 和人类专家 (0.465和0.517精度).
结论:
- 深度学习模型展示了优越的特征提取能力,用于早产评估.
- 人工智能驱动的超声波图像分析提供比视觉评估更准确的预测.
- 这些模型对改善围产期护理和结果具有重要意义.
