一个多模式的人工智能框架,整合了姆网络和为早期胎儿健康风险评估而进行的少数射击学习
Anuradha Yenkikar1, Vaibhav Kumar Singh2, Gitesh Tamboli2
1Dept. of CSE-Artificial Intelligence, Vishwakarma Institute of Technology, Pune, Maharashtra, India.
MethodsX
|September 29, 2025
概括
这项研究引入了人工智能框架用于胎儿健康评估,提高了有限数据的准确性. 它增强了产前异常检测,并使用先进的机器学习技术减少了查时间.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 胎儿医学和产前诊断 胎儿医学和产前诊断
- 医疗保健中的机器学习
背景情况:
- 精确的胎儿健康评估受到罕见的异常病例,不平衡的数据集和不透明的AI模型的阻碍.
- 现有的AI方法经常因数据稀缺和缺乏可解释性而扎,限制了临床采用.
- 应对这些挑战对于改善产前护理和早期发现胎儿异常至关重要.
研究的目的:
- 为准确和可解释的胎儿异常检测开发一个多式人工智能框架.
- 通过使用少数拍摄和多任务学习来提高数据效率和模型稳定性.
- 为产前诊断提供可扩展,可解释和可部署的解决方案.
主要方法:
- 利用罗神经网络 (SNN) 进行对比和多任务学习,从有限的异常胎儿数据中进行强大的特征提取.
- 实施了基于课程的对抽样和分层交叉验证,以减轻来自不同数据源的领域转移.
- 集成的临床数据流与组合模型 (随机森林,XGBoost) 和SHAP用于可解释的风险因素识别.
- 雇佣视觉语言模型蒸用于自动生成放射科医生风格的诊断摘要.
- 应用INT8后训练量化来减少边缘部署的模型大小.
主要成果:
- 在胎儿异常检测中实现了98.6%的分类准确度.
- 通过从有限的异常样本中学习,显著提高了数据效率.
- 减少了60-70%的手动查时间,证明了临床效用.
- 通过SHAP分析提供了对母亲和胎儿风险因素的可解释的见解.
- 通过蒸的视觉语言模型生成简洁,放射学家风格的诊断摘要.
结论:
- 拟议的多模式人工智能框架为产前异常检测提供了一个可扩展和可解释的解决方案.
- 基于SNN的方法有效地解决了胎儿健康评估中数据稀缺性和阶级不平衡的挑战.
- 该系统的可解释性和效率支持临床整合和资源有限的环境,增强产前护理.
