深度学习计算机视觉可以在怀孕的第一季度识别增加的部透光度
Bhavya Kasera1,2, Shiri Shinar3,4, Parinita Edke1,2
1Department of Computer Science, University of Toronto, Toronto, Ontario, Canada.
Prenatal diagnosis
|April 1, 2024
概括
一个人工智能模型使用超声波图像准确地检测出加厚的部半透明度 (NT),这是胎儿异常的标记. 这种深度学习方法可以改善早期怀孕查潜在的遗传和结构问题.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 产前诊断 在产前诊断
背景情况:
- 第一个三个月的超声波对于诊断胎儿异常至关重要.
- 目前早期怀孕异常的检测率仍然低于最佳水平.
- 增加部透光度 (NT) 是遗传和结构性胎儿异常的关键标志物.
研究的目的:
- 开发和验证一种自动图像分割算法,用于检测加厚的部半透明度 (NT).
- 评估深度学习模型在早期怀孕中识别异常NT的有效性.
主要方法:
- 一个U-Net卷积神经网络被训练在560个中形超声图像上 (11-13周怀孕).
- 该算法对胎儿和NT区域进行了细分,以计算NT:胎儿比率.
- 使用接收机运营商曲线下的面积 (AUROC) 和子得分来评估性能.
主要成果:
- 使用模型细分,NT:胎儿比率实现了0.96的AUROC,用于检测使用模型细分的加厚NT.
- 该模型在测试组中显示出94%的灵敏度和91%的特异性.
- 在高质量的图像中,检测准确度明显更高 (AUROC 0.98与0.90).
结论:
- 一个可解释的深度学习模型有效地检测到在第一季度超声波中增加的NT.
- 这种人工智能驱动的技术为改善早期胎儿异常查提供了有希望的工具.
- 该方法可以适应在怀孕早期检测其他胎儿异常.
