Mustererkennung und Anomalieerkennung in der fötalen Morphologie mit Deep Learning und statistischem Lernen (PARADISE)

Angeborene Anomalien (CA) sind die häufigste Ursache für fötalen Tod, Säuglingssterblichkeit und Morbidität. Jährlich werden 7,9 Millionen Säuglinge mit CA geboren. Die Früherkennung von CA erleichtert lebensrettende Behandlungen und stoppt das Fortschreiten von Behinderungen. CA kann pränatal durch Morphology Scan (MS) diagnostiziert werden. Diskrepanzen zwischen prä- und postnataler CA-Diagnose erreichen 29 %. Eine korrekte Interpretation der MS ermöglicht ein ausführliches Gespräch über die Prognose mit den Eltern. Das zentrale Merkmal von PARADISE ist die Entwicklung eines spezialisierten intelligenten Systems, das ein Komitee aus Methoden des Deep Learning und des statistischen Lernens einbettet, die auf kompetitive/kollaborative Weise zusammenarbeiten, um die Leistung von MS-Untersuchungen durch die Signalisierung von CA zu steigern. Mittels präklinischer Testung und klinischer Validierung wird das Hauptziel die direkte Umsetzung in die klinische Praxis sein. Dieses multidisziplinäre Projekt bietet eine einzigartige Integration von Ansätzen, Kompetenzen und Durchbrüchen in Schlüsselanwendungen im menschlichen, psychologischen, technologischen und wirtschaftlichen Interesse, wie z. B. das „intelligentere“ Gesundheitssystem, und eröffnet neue Forschungsfelder. PARADISE schafft ein Umfeld, das einen wesentlichen Beitrag für das Gesundheitssystem, die medizinische und pharmazeutische Industrie, die wissenschaftliche Gemeinschaft, die Wirtschaft und letztendlich für jeden Einzelnen leistet. Das Ergebnis wird die Auswirkungen auf das Management von CA erhöhen, indem es die Erstellung detaillierter Pläne vor der Geburt ermöglicht, wodurch die Morbidität und Mortalität bei Säuglingen verringert werden.