下一代胎儿心脏监测:利用神经序列建模进行超声分析

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 胎儿心率 (FHR) 和可变性是胎儿福祉的关键指标.
• 一维多普勒超声波 (DUS) 是一个常见的,可访问的工具用于胎儿监测,特别是在低资源的设置.
• 现有的DUS分析方法受到严格的算法限制,这些算法无法捕捉节拍对节拍的FHR变化.

研究的目的:

• 开发一种新的自适应算法,用于从DUS信号中可靠地估计FHR.
• 改进使用DUS数据对FHR变异性的分析.
• 为了提高DUS的临床实用性,用于胎儿福祉评估.

主要方法:

• 介绍AutoFHR,一个可解释的神经时间模型,使用扩展的因果卷曲和注意力机制.
• 在DUS信号中自动估计胎儿心跳位置.
• 一个独特的学习目标,将生成错误最小化与光谱保真相结合起来,以保持自然心律.

主要成果:

• 自动FHR在心跳定位方面表现出熟练,在FHR估计方面表现优于传统方法.
• 在FHR可变性分析中观察到显著的改善.
• 在开发和验证数据集上实现了2.2-2.8bpm的低根平均平方误差 (RMSE) 和狭窄的协议限制 (4.5-5.6bpm).

结论:

• 该模型与参考胎儿心电图 (fECG) 数据有很强的对应性.
• 对于长期的胎儿监测,AutoFHR表现出普遍性和稳定性.
• 这一进步增强了基于DUS的胎儿监测,有助于更早地检测胎儿痛苦,并扩大了获得产前护理的机会.