从第一季度超声波图像开发转移学习模型,用于预测唐氏综合征
Chen-Yu Chen1, Ci-An Wang2, Jhuang-Hao Cyue3
1Department of Obstetrics and Gynecology, MacKay Memorial Hospital, Taipei, Taiwan; Department of Medicine, MacKay Medical University, New Taipei City, Taiwan.
Taiwanese journal of obstetrics & gynecology
|November 10, 2025
概括
这项研究开发了一个使用转移学习 (TL) 来检测超声波图像的唐氏综合征的人工智能模型. 该模型准确地识别高风险胎儿,改善早期诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 遗传学 是一个遗传学.
背景情况:
- 唐氏综合征是一种常见的染色体疾病.
- 第一个三个月的超声波通常会显示受影响胎儿的额透光度 (NT) 增加和鼻骨 (NB) 缺失.
研究的目的:
- 开发一种转移学习 (TL) 模型,用于自动检测患有唐氏综合征高风险的胎儿.
- 为了提高早期唐氏综合征的检测,使用第一季度超声波.
主要方法:
- 使用TL (AlexNet) 和Grad-CAM开发了一个AI分类框架.
- 该模型在超声波图像上受过训练,采用图像裁剪和类权重.
- 数据增强技术被用来解决阶级不平衡.
主要成果:
- 该TL模型实现了98.3%的准确性和0.98.9的AUC.
- 报告了高灵敏度 (89.47%) 和特异性 (100%).
- Grad-CAM强调NT和NB区域是关键的诊断特征.
结论:
- 开发的TL模型增强了通过第一季度超声波的早期唐氏综合征检测.
- 这种人工智能方法提高了诊断准确度,并减少了对手工测量的依赖.
