条件对比预测编码用于从心脏图谱评估胎儿健康

科学领域:

• 医学技术 医学技术 医学技术
• 医疗保健中的人工智能
• 胎儿监测 胎儿监测是指对胎儿进行监测.

背景情况:

• 心脏图解图 (CTG) 在分娩期间对胎儿健康的解释依赖于视觉分析.
• 这种视觉评估方法在观察者之间和观察者内部存在显著的变化,导致潜在的不必要干预.
• 以前用于自动CTG异常检测的深度学习模型显示出有希望的结果,但需要复杂的两步训练.

研究的目的:

• 通过使用深度学习来改进心脏图谱中的自动异常检测.
• 为了提高胎儿在分娩期间的健康评估的可靠性和准确性.
• 与以前的方法相比,开发一个更高效,更有效的深度学习模型.

主要方法:

• 杆式对比预测编码 (CPC) 用于在CTG中无监督检测异常.
• 扩展的CPC与一个随机,反复和子宫活动条件下的未来预测器.
• 引入了一种针对异常检测任务优化的新型培训目标.
• 利用经验丰富的妇科医生的注释来评估模型.

主要成果:

• 对CPC模型的所有提议扩展都显示出有益的改进.
• 新的基于CPC的方法实现了与以前基于WaveNet的模型相匹敌或超过的性能.
• 改进的模型在CTG注释的不同类别中显示出有效性.

结论:

• 开发的基于CPC的深度学习模型为自动CTG异常检测提供了更强大,更准确的方法.
• 这一进步有可能减少观察者变化和胎儿监测中不必要的干预.
• 该研究强调了CPC的有效性和针对复杂的生物医学信号分析的定制培训目标.