一种深度学习方法,用于识别胎儿头部位置,在分娩期间使用跨膜超声波
Ruben Ramirez Zegarra1, Francesco Conversano2, Andrea Dall'Asta1
1Department of Medicine and Surgery, Obstetrics and Gynecology Unit, University of Parma, Parma, Italy.
概括
一个新的深度学习模型准确地识别胎儿头部在分娩期间的位置,使用跨膜超声波. 这种人工智能工具表现出色,有助于劳动管理的临床决策.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 产科 产科 产科 产科 产科
背景情况:
- 准确的胎儿头部位置评估在分娩的第二阶段至关重要.
- 跨膜超声波可以在轴平面上直接查看胎儿头部.
- 目前用于确定胎儿头部位置的方法可以是主观的,并且取决于操作者.
研究的目的:
- 开发和评估使用卷积神经网络 (CNN) 的深度学习 (DL) 模型.
- 该模型旨在在分娩的第二阶段通过跨膜超声波自动准确地识别胎儿头部位置.
主要方法:
- 一项前性多中心研究包括单个,长期,头性怀孕在分娩的第二阶段.
- 腹超声波用于初步评估,随后是腹超声波用于轴平面成像.
- 一个预训练的ResNet18模型构成了三个CNN的基础,在70%的图像上进行训练,其中15%用于验证和15%用于测试.
主要成果:
- DL模型在来自16个中心的2,154张跨关节图像中实现了94.5%的整体准确性.
- 具体的CNN表现出高性能:CNN1 (OA与非OA) 的准确率为98.3%,CNN2 (OP与OT) 的准确率为93.9%,CNN3 (右与左OT) 的准确率为91.3%.
- 该模型表现出极好的灵敏度 (95.6%),特异性 (91.2%),F1得分 (0.92),以及科恩的卡帕 (0.90).
结论:
- 成功开发了一种DL模型,证明了在分娩期间使用跨膜超声波评估胎儿头部位置的卓越准确性.
- 在例行实施之前,建议使用更大的数据集和实时临床应用进行进一步验证.
