在胎儿病理学中,基于人工智能的诊断使用外耳形状来诊断胎儿病理

科学领域:

• 医疗成像医学成像
• 计算生物学 计算生物学
• 遗传学 遗传学 是一个

背景情况:

• 综合性耳部形是遗传疾病的关键指标.
• 准确的产前诊断这些综合征对于及时干预至关重要.
• 现有的诊断方法可能在范围或可访问性方面受到限制.

研究的目的:

• 开发和验证用于胎儿耳朵表型的自动化工具.
• 为了区分CHARGE综合征,Mandibulo-Facial Dysostosis Guion Almeida类型 (MFDGA),以及基于耳朵形态的控制胎儿.
• 评估机器学习在分类综合征性耳朵表型方面的表现.

主要方法:

• 在大量儿童耳朵照片数据集上训练机器学习模型.
• 使用几何形态测量来从耳朵图像中提取地标.
• 应用训练模型从对照组和综合征组对胎儿耳朵照片进行分类.

主要成果:

• 自动化表型工具在分类胎儿耳朵方面取得了72.6%的整体准确性.
• 对CHARGE,对照和MFDGA胎儿的具体准确率分别为76.4%,74.9%和86.2%.
• 曲线下的面积值在86.8%至90.3%之间,表明良好的区分能力.

结论:

• 该研究介绍了第一个自动化胎儿耳朵表型模型.
• 该模型显示了对CHARGE和MFDGA综合征的令人满意的分类性能.
• 在临床实施作为诊断辅助器之前,需要进一步验证.