一种基于二维超声波图像的新型人工智能模型,用于测量胎儿头内标记物在头三个月内,基于二维超声波图像

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 胎儿医学 胎儿医学

背景情况:

• 第一个三个月的胎儿评估对于早期发现异常至关重要.
• 精确测量内标记是必不可少的,但可能耗时且容易出现错误.
• 建立特定人口的参考范围对于准确的解释至关重要.

研究的目的:

• 建立胎儿头内标记物在第一季度的参考范围.
• 开发和验证一种新的人工智能 (AI) 模型,用于对这些标记物的自动测量.
• 在准确性,一致性和效率方面,将人工智能驱动的测量与手动方法进行比较.

主要方法:

• 对4233张来自正常单个胎儿 (11⁺⁰-13⁺⁶怀孕周) 的二维超声图像进行了回顾性分析.
• 在三个标准的胎儿头部平面上分析了10个关键的内标记.
• 开发一种人工智能模型,用于自动化标记测量,并使用错误分析,相关性和时间研究与手动测量进行比较.

主要成果:

• 人工智能和手工测量之间有很强的一致性和相关性 (ICC>0.75,r>0.75).
• 这两种方法的平均绝对误差低 (0.1240.178毫米).
• 人工智能实现了100%的异常病例检测,并且比手动测量快超过65倍 (0.49秒与手动测量时间相比).

结论:

• 使用大量中国人口数据集,为胎儿内标志物建立了正常参考范围.
• 开发的AI模型准确地和自动地测量了多个胎儿内标记.
• 人工智能工具可以简化超声波仪的任务,减少错误,并且适用于第一季度的扫描.