支持人工智能的工作流程,用于自动分类和分析胎儿-胎盘多普勒图像
Ainhoa M Aguado1,2, Guillermo Jimenez-Perez1,2, Devyani Chowdhury3
1BCN-MedTech, DTIC, Universitat Pompeu Fabra, Barcelona, Spain.
Frontiers in digital health
|October 31, 2024
概括
这项研究引入了一个人工智能工作流程,以自动化胎儿-胎盘多普勒测量,改善脆弱新生儿的产前识别. 人工智能系统准确地分类多普勒视图并提取关键测量,减少手工工作量并提高分析效率.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 胎儿医学 胎儿医学
背景情况:
- 容易受伤害的新生儿的产前鉴定依赖于胎儿-胎盘多普勒测量.
- 手动提取这些多普勒测量是耗时的,取决于操作员,容易出错.
研究的目的:
- 开发和验证人工智能支持的工作流程,用于自动化胎盘多普勒测量.
- 提高多普勒分析在各种医疗保健环境中的准确性和效率.
主要方法:
- 开发了一个AI工作流程,用于自动分类和波形划分四个位置的多普勒图像:动脉 (UA),中脑动脉 (MCA),大动脉半径 (AoI) 和左心室输入和输出 (LVIO).
- 工作流包括基于多普勒速度振幅的模型,卷积神经网络 (CNN) 和分类的信心模型.
- 使用视图依赖CNN和后处理技术提取多普勒指数.
- 该方法使用来自低收入和中等收入国家以及高收入国家的数据集进行了验证.
主要成果:
- 多普勒视图分类实现了高达94%的精度 (基于振幅的模型) 和89.2% (CNN).
- 错误分类检测模型的准确度超过了85%.
- 缩峰值提取的平均绝对百分比误差很低,在1.8%±1.5% (UA) 到6.1%±4.9% (LVIO) 之间.
结论:
- 支持人工智能的工作流在分类多普勒视图和提取关键测量时表现出高度准确性.
- 这种自动化方法有望减少手工工作量,提高胎盘多普勒分析的效率.
- 该系统的多功能性支持在不同的医疗环境中进行标准化和准确的分析,即使是非专家用户也受益.
