基于卷积神经网络模型的早期第一季度超声波特征的孕妇随后流产风险的自动预测

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 产科 产科 产科 产科 产科

背景情况:

• 在第一季度预测流产对于优化护理和减少母亲焦虑至关重要.
• 目前用于流产风险评估的方法在准确性和解释性方面存在局限性.

研究的目的:

• 开发和验证一个多输入卷积神经网络 (CNN),用于预测流产风险.
• 整合早期妊娠超声波图像与临床数据进行增强的预测.
• 为临床决策提供可解释的视觉解释.

主要方法:

• 利用了单子妊娠 (妊娠6-8周) 的回顾性数据集.
• 采用了三个不同的妊娠囊细分策略来输入CNN.
• 使用准确度,精度,回忆,F1分数和AUC进行评估的预测性能.
• 集成的Grad-CAM和SHAP用于模型解释性.

主要成果:

• 与单个输入模型相比,多输入CNN模型表现出优异的预测性能.
• 一个边缘扩展的细分策略优于精确的细分和矩形裁剪.
• 下区域被确定为流产风险的重要生物标志物.
• 模型解释性方法澄清了特征注意力差异.

结论:

• 开发的CNN模型为早期流产风险预测提供了一个有前途的工具.
• 图像和临床数据的整合提高了预测准确度.
• 增强的模型解释性支持早期怀孕风险评估中的临床决策.