使用对胎儿心率信号的输入长度不变深度学习来快速检测胎儿妥协
Lochana Mendis1, Marimuthu Palaniswami2, Emerson Keenan2,3
1Department of Electrical and Electronic Engineering, The University of Melbourne, Parkville, 3010, VIC, Australia. lochana.mendis@ieee.org.
Scientific reports
|June 1, 2024
概括
这项研究介绍了FHR-LINet,这是一种用于评估胎儿福祉的深度学习模型. 它显著减少了在分娩期间检测胎儿损害的时间,使得更早的临床干预成为可能.
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
- 胎儿监测 胎儿监测 胎儿监测
背景情况:
- 在分娩期间对胎儿福祉的临床评估依赖于心电图 (CTG) 来监测胎儿心率 (FHR).
- 对FHR信号的视觉解释是主观的,导致观察者变化和潜在的诊断延迟.
- 现有的深度学习方法用于FHR分析,通常处理固定长度的段落,限制及时干预.
研究的目的:
- 开发和评估一个新的深度学习模型,FHR-LINet,用于在分娩期间逐步和快速检测胎儿妥协.
- 与当前最先进的方法相比,提高胎儿妥协检测的及时性.
主要方法:
- 开发一个输入长度不变深度学习模型 (FHR-LINet) 用于持续的FHR信号评估.
- 随着分娩的进展,逐步分析FHR数据,以实现早期检测.
- 将FHR-LINet的性能与最先进的多式联络卷积神经网络进行比较.
主要成果:
- FHR-LINet在检测胎儿损害的时间中实现了大约25%的减少.
- 该模型显示平均真实阳性率为27.5%,45.0%,56.5%和65.0%,虚假阳性率分别为5%,10%,15%和20%.
- 拟议的方法在检测速度和准确性方面取得了显著的改进.
结论:
- FHR-LINet提供了一种有前途的方法,可以更早,更准确地检测出产期间的胎儿损害.
- 基于FHR-LINet的诊断系统可以促进及时的临床干预,可能改善胎儿的结果.
- 该模型的输入长度不变性允许逐步评估,提高其临床实用性.
