通过深度学习对EHG记录进行自动语义细分:用于临床实践的选工具的方法

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 产科 产科 产科 产科 产科

背景情况:

• 过早分娩对全球健康造成重大负担.
• 电动造图 (EHG) 是一种敏感的技术,用于预测早产.
• 由于缺乏用于人工物选的自动化信号处理工具,EHG的临床采用受到限制.

研究的目的:

• 设计和验证一个用于细分和选EHG记录中的生理性子宫段的自动化系统.
• 为了能够对子宫肌电活动进行可靠的表征,用于预测早产.
• 为了促进EHG技术的临床翻译.

主要方法:

• 使用了来自两个数据库的369个EHG记录的综合数据集.
• 训练和评估了U-Net,U-Net++和U-Net 3+深度学习模型,用于EHG信号的语义细分.
• 应用后处理技术来微调模型预测并改善文物检测.

主要成果:

• 在检测生理活动方面,U-Net 3+实现了ROC曲线下的面积91.4%和96.4%的平均精度.
• 该系统在识别高质量的生理细分时表现出高精度 (93.7%-97.4%) 和特异性 (81.7%-94.5%).
• 自动化细分证明与手动细分一样有效,用于预测早产.

结论:

• 开发的自动化细分工具解决了无专家EHG信号处理的需求.
• 该系统简化了预产预测工作流程,提高了临床适用性.
• 该工具有助于早期发现早产,实现个性化的孕产妇健康策略和预测不良妊娠结果.