融合表格特征和深度学习用于胎儿心率分析:用于胎儿妥协检测的临床解释模型

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 产科和妇科 产科和妇科

背景情况:

• 心电图 (CTG) 是一种标准工具,用于监测分娩期间胎儿的健康状况,评估胎儿心率 (FHR).
• 目前的CTG解释面临的局限性是由于敏感度低和错误阳性率高,这影响了其在减少胎儿不良后果方面的有效性.
• 准确预测胎儿的妥协对于在分娩期间及时干预至关重要.

研究的目的:

• 开发一个可解释的深度学习模型,整合FHR时间序列和表格临床数据.
• 为了提高胎儿损害的预测准确度,定义为动脉pH<7.05.
• 在临床实践中提高CTG解释的可靠性和透明度.

主要方法:

• 介绍了Fusion ResNet,这是一种新的深度学习架构,结合了用于FHR分析的卷积神经网络和用于表式临床特征的并行网络.
• 在9,887个FHR录音的私有数据集上进行培训和内部验证.
• 在开放访问的CTU-UHB数据集 (552条记录) 上进行外部验证,并使用SHAP和Grad-CAM评估模型的可解释性.

主要成果:

• 在内部交叉验证中,Fusion ResNet实现了0.77的AUC,在外部CTU-UHB数据集上实现了0.84的最新AUC.
• 该模型的性能优于现有的深度学习方法,用于胎儿妥协预测.
• SHAP分析确定了关键的临床预测因素,Grad-CAM强调了与胎儿损害相关的显著FHR模式.

结论:

• 开发的Fusion ResNet模型显著提高了使用多式联络数据预测胎儿损害的准确性.
• 该模型的可解释性特征提供了临床上有意义的见解,提高了CTG分析的透明度和可信度.
• 这项工作突出了可解释AI在优化胎儿监测和支持产科临床决策方面的潜力.