Udvikling og test af AI-modeller til føtal biometri og vurdering af fostervandsvolumen i føtale ultralydsscanninger.

Rutinemæssig føtal ultralydsscanning i andet trimester af graviditeten er en billig, ikke-invasiv screeningsmodalitet, som har vist sig at sænke fosterdødeligheden med op til 20 %. Et af de kritiske elementer i denne undersøgelse er måling af føtale biometriske parametre, som er hovedomkredsen (HC), biparietal diameter (BPD), abdominal omkreds (AC) og lårbenslængde (FL) målt på biometristandardplaner. Disse standardfly er taget i overensstemmelse med kvalitetsstandarder, som først blev beskrevet af Salomon et al. og bruges som retningslinjer for International Society of Ultrasound in Obstetrics and Gynecology (ISUOG). De biometriske parametre ekstraheret fra dem er afgørende for at diagnosticere føtal vækstrestriktion (FGR), verdens første årsag til perinatal føtal dødelighed.

Sådanne målinger og billedkvalitetsvurdering er tidskrævende opgaver, der er tilbøjelige til inter- og intraobservatør-variabilitet afhængigt af færdighedsniveauet hos sonografen eller den læge, der udfører undersøgelsen.

Vurdering af fostervandsvolumen (AF) er også et væsentligt trin i rutinemæssige screeningsscanninger, der tillader diagnosticering af oligo eller hydramnios, begge forbundet med øget føtal dødelighed.

AF måles ved to hoved "semi-kvantitative" teknikker: Amniotic Fluid Index (AFI) og den dybeste enkelt lomme (SDP). Sidstnævnte er mere specifik, da den sænker overdiagnosticeringen af ​​oligo-amnion uden nogen indvirkning på dødelighed eller sygelighed og er lettere at udføre for sonografen (kun én måling versus fire i tilfælde af AFI-teknikken). AF-vurdering er dog stadig en tidskrævende og dårligt reproducerbar opgave.

Forsøg på at automatisere sådanne biometriske målinger og AF-volumenvurdering er blevet gjort ved hjælp af kunstig intelligens (AI) og deep learning (DL) værktøjer. Undersøgelser viste fremragende resultater "i silico", og nåede op til 98 %, 95 %, 93 % terninge-scorekoefficienter for HC-, AC- og FL-målinger og 89 % DSC for AFI-målinger. De blev dog alle udført retrospektivt uden validering på prospektivt erhvervede billeder.

Anmeldelser og eksperter har understreget behovet for kvalitetspeer-reviewede prospektive undersøgelser for at vurdere AI-værktøjers ydeevne med data fra den virkelige verden. Deres ydeevne forventes at være dårligere og bedre afspejle deres brug i den kliniske arbejdsgang.

Denne undersøgelse har til formål at udvikle DL-modeller til at automatisere HC-, BPD-, AC- og FL-målinger og AF-volumenvurdering fra retrospektivt erhvervede data og teste deres præstationer til klinikere og eksperter på potentielle føtale US-scanninger i den virkelige verden.