使用注意引导卷积神经网络对产后心脏图像的客观解释
Xinghe Zhou1,2, Tianxin Qiu2, Chunxia Lin1
1Department of Obstetrics, West China Longquan Hospital Sichuan University, The First People's Hospital of Longquanyi District Chengdu, Chengdu, Sichuan, China.
Frontiers in pediatrics
|March 6, 2026
概括
本研究引入了一种用于分析电子胎儿监测 (EFM) 心脏图谱 (CTG) 的自动化方法. 深度学习模型实现了高精度,为胎儿健康评估提供了一致的工具.
科学领域:
- 医疗成像和信号处理
- 医疗保健中的人工智能
- 产科和妇科 产科和妇科
背景情况:
- 传统的心脏图谱 (CTG) 分析用于电子胎儿监测 (EFM) 是主观的和专业的,可能导致诊断不一致.
- 需要客观和自动化的方法来提高胎儿健康评估的准确性和可靠性.
- 在胎儿监测中错误诊断可能会对母亲和孩子产生重大后果.
研究的目的:
- 使用自动化分析开发用于电子胎儿监测 (EFM) 的客观解释方法.
- 通过创建一个系统的预处理管道和一个以注意引导的卷积神经网络来减轻错过诊断的风险.
- 为了提高胎儿健康评估的诊断一致性.
主要方法:
- 采用了基于计算机视觉的深度学习方法,从CTG图像的系统预处理管道开始 (网格移除,重新采样,曲线重建).
- 基于EfficientNet-B0的分类器增强了卷积区注意模块 (CBAM) 用于模式分类,专注于临床上重要的形态特征.
- 该模型在使用FIGO分类的私人临床数据集进行了训练,并使用动脉pH值在公共CTU-UHB数据集上进行了外部验证.
主要成果:
- 该模型在内部数据集上实现了92.66%的准确性和92.14%的宏观平均F1分数.
- 对CTU-UHB数据集的外部验证表明,准确度保持在95.65%.
- 结果表明与专家视觉分类有很强的一致性,并且与客观生理结果 (pH水平) 一致.
结论:
- 这项研究提出了一种强大的,客观的方法,用于产后CTG分析,将信号标准化与自动化特征学习相结合.
- 提出的方法有效地解决了手动CTG解释中固有的主观性.
- 这种自动化系统显示出作为临床决策支持工具的潜力,以提高胎儿状态评估的一致性.
