DeepCTG® 2.0:深度学习模型的开发和验证,以检测产妇在分娩期间从心脏图谱检测出新生儿血酸症
Imane Ben M'Barek1, Grégoire Jauvion2, Jade Merrer3
1Department of Gynecology Obstetrics, Assistance Publique des Hôpitaux de Paris -Beaujon, Clichy, 92100, France; Université de Paris Cité, 75006, Paris, France.
Computers in biology and medicine
|November 28, 2024
概括
这项研究引入了一种深度学习模型,通过心脏图谱 (CTG) 信号检测新生儿酸血症,从而减少解释变化. 人工智能模型显示,在改善胎儿健康监测的中心之间有希望的泛化.
科学领域:
- 产周医学 产周医学
- 医疗保健中的人工智能
- 信号处理 信号处理
背景情况:
- 心脏图谱 (CTG) 对于在分娩期间检测新生儿酸血症至关重要.
- 目前临床医生对CTG的视觉解释具有显著的观察者内部变异性.
- 新生儿酸血症对婴儿健康构成风险,需要准确的检测方法.
研究的目的:
- 开发和评估一个卷积神经网络 (CNN) 来从CTG信号中检测新生儿酸血症.
- 评估模型在多个中心的通用性.
- 探索CTG的AI辅助解释,以提高准确性.
主要方法:
- 在一个多中心数据库上建立和评估了CNN,其中包括27,662个CTG病例.
- 卷积层被预先训练,从原始CTG信号中预测血酸性相关特征.
- 进行了交叉中心评估,以评估严重酸性病检测的模型概括.
主要成果:
- 美国有线电视新闻网 (CNN) 在重度酸性病检测的交叉中心评估中实现了曲线下面面积 (AUC) 从0.74到0.83.
- 结果表明,深度学习模型能够在不同的数据集中进行概括.
- 该模型显示了在检测新生儿酸血症方面提高准确性的潜力.
结论:
- 深度学习模型可以在使用CTG数据的新生儿酸性病检测中心中得到很好的概括.
- 通过将临床变量纳入模型,可以实现进一步的改进.
- 未来的研究旨在将这种模型整合到用于CTG解释的临床决策支持工具中.
