Tekoälymallien kehittäminen ja testaus sikiön biometrian ja sikiön vesimäärän arvioimiseksi sikiön ultraäänitutkimuksissa.
Syväoppimismallien kehittäminen ja testaaminen sikiön biometrian ja lapsivesimäärän arvioimiseksi rutiininomaisissa sikiön ultraäänitutkimuksissa
Rutiininomainen sikiön ultraäänitutkimus raskauden toisen kolmanneksen aikana on edullinen, ei-invasiivinen seulontamenetelmä, jonka on todistettu alentavan sikiökuolleisuutta jopa 20 %. Yksi tämän tutkimuksen kriittisistä elementeistä on sikiön biometristen parametrien mittaus, joita ovat pään ympärysmitta (HC), biparietaalihalkaisija (BPD), vatsan ympärysmitta (AC) ja reisiluun pituus (FL) mitattuna biometrian standarditasoilla. Nämä standardikoneet on otettu Salomon et al. kuvaamien laatustandardien mukaisesti. ja sitä käytetään International Society of Ultrasound in Obstetrics and Gynecology (ISUOG) ohjeina. Niistä poimitut biometriset parametrit ovat välttämättömiä sikiön kasvurajoituksen (FGR) diagnosoimiseksi, joka on maailman ensimmäinen perinataalisen sikiökuolleisuuden syy.
Tällaiset mittaukset ja kuvanlaadun arviointi ovat aikaa vieviä tehtäviä, jotka ovat alttiita havaitsejien väliselle ja sisäiselle vaihtelulle riippuen sonografin tai tutkimuksen suorittavan lääkärin taitotasosta.
Lapsivesien (AF) tilavuuden arviointi on myös olennainen vaihe rutiiniseulontatutkimuksissa, jotka mahdollistavat oligo- tai vesikalvon diagnoosin, jotka molemmat liittyvät lisääntyneeseen sikiökuolleisuuteen.
AF mitataan kahdella tärkeimmällä "puolikvantitatiivisella" tekniikalla: amniotic Fluid Index (AFI) ja yksittäinen syvin tasku (SDP). Jälkimmäinen on tarkempi, koska se alentaa oligo-amnionin ylidiagnoosia ilman, että sillä olisi vaikutusta kuolleisuuteen tai sairastavuuteen, ja se on helpompi suorittaa sonografille (vain yksi mittaus verrattuna neljään AFI-tekniikan tapauksessa). AF-arviointi on kuitenkin edelleen aikaa vievä ja huonosti toistettavissa oleva tehtävä.
Tällaisia biometrisiä mittauksia ja AF-tilavuuden arviointia on yritetty automatisoida käyttämällä tekoälyn (AI) ja syväoppimisen (DL) työkaluja. Tutkimukset osoittivat erinomaisia tuloksia "in silico" saavuttaen jopa 98 %, 95 %, 93 % noppapisteiden kertoimet HC-, AC- ja FL-mittauksissa ja 89 % DSC AFI-mittauksissa. Ne kaikki suoritettiin kuitenkin takautuvasti ilman prospektiivisesti hankittujen kuvien validointia.
Arvostelut ja asiantuntijat ovat korostaneet laadukkaiden vertaisarvioitujen tulevaisuudentutkimusten tarvetta tekoälytyökalujen suorituskyvyn arvioimiseksi todellisen datan avulla. Niiden suorituskyvyn odotetaan olevan huonompi ja heijastavan paremmin niiden käyttöä kliinisessä työnkulussa.
Tämän tutkimuksen tarkoituksena on kehittää DL-malleja HC-, BPD-, AC- ja FL-mittausten automatisoimiseksi ja AF-tilavuuden arvioimiseksi takautuvasti hankituista tiedoista ja testaamaan niiden suorituskykyä kliinikoiden ja asiantuntijoiden suorituksiin mahdollisissa todellisissa sikiötutkimuksissa.
Tutkimuksen yleiskatsaus
Tila
Interventio / Hoito
Yksityiskohtainen kuvaus
DL-mallit koulutetaan, validoidaan ja testataan ensin takautuvasti hankituilla tiedoilla. Nämä tiedot koostuvat Yhdysvaltojen sikiön kuvista, jotka on kerätty osallistuvissa lääketieteellisissä keskuksissa potilastason anonymisoinnin jälkeen. Mallien perustotuus muodostuu radiologien ja synnytyslääkäreiden luokittelua ja segmentointia varten tekemistä huomautuksista. DL-mallit koulutetaan suorittamaan seuraavat tehtävät:
- Seuraavien standarditasojen havaitseminen ISUOG-ohjeissa kuvatulla tavalla: transtalaminen, transventrikulaarinen, transcerebellaarinen, vatsa- ja femoraalinen taso videosilmukoilla.
- Kuvanlaatupisteytys ISUOG-ohjeiden mukaisesti transtalamisesta, vatsasta ja reisitasosta.
- Sikiön kallon, vatsan ja reisiluun segmentointi HC:n, BPD:n AC:n ja FL:n mittaamiseksi.
- AF-taskujen tunnistus.
- AF-taskujen segmentointi ja taskujen syvyyden poistaminen SDP-mittauksen arvioimiseksi
Lääkäreitä pyydetään tallentamaan lisäkuvia ja videosilmukoita rutiiniseulonnan lisäksi tuleviin tutkimuksiin:
- Kahdeksan kuvaa: transtalamuksen, vatsan ja femoraalin standarditasot jarrusatulalla ja ilman, SDP jarrusatulalla ja ilman.
Neljä videosilmukkaa, kukin enintään viisi sekuntia:
- Pääsilmukka, joka käsittää transaivojen, transtalamisen ja transventrikulaarisen tason.
- Vatsasilmukka, joka kulkee sydämen nelikammionäkymästä munuaisten ja selän poikkileikkaukseen.
- Reisiluun silmukka, jossa koetin on samansuuntainen reisiluun sagitaaliakselin kanssa, joka lakaisee sivulta toiselle.
- Kokonainen amnionontelon silmukka, jossa koetin kohtisuorassa maata vastaan kohdistaa mahdollisimman vähän painetta potilaan vatsaan, lakaisemalla kohdunpohjasta kohdunkaulaan, kerran tai kahdesti lapsivesiontelon tilavuudesta riippuen.
Tutkimuksen "reaaliajassa" suorittavat kliinikot (RT-kliinikot), asiantuntijapaneeli ja DL-mallit tarkistavat mahdolliset tutkimukset.
AF taskutunnistus- ja segmentointimallien poimimaa SDP-mittausta verrataan suoraan RT-kliinikon mittaamaan arvoon.
Tämän jälkeen asiantuntijaraati pisteyttää RT-kliinikon valitsemien lentokoneiden kuvanlaadun ja mallin.
Segmentointitehtävä arvioidaan kolmikantaisesti: malli, RT-kliinikot ja paneeli segmentoivat kaikki samat kuvat.
Tarkkailijoiden välisen sopimuksen arvioimiseksi 10 % kuvista valitaan satunnaisesti, ja paneelin kaksi riippumatonta arvioijaa arvioi ne.
Opintotyyppi
Ilmoittautuminen (Todellinen)
Yhteystiedot ja paikat
Opiskelupaikat
-
-
-
Casablanca, Marokko, 20100
- Centre de Radiologie Abou Madi
-
Casablanca, Marokko, 20100
- Centre Hospitalier Cheikh Khalifa
-
Casablanca, Marokko, 20100
- Centre Hospitalier Universitaire Ibn Rochd
-
Casablanca, Marokko, 27182
- Mohamed VI University International Hospital
-
Fes, Marokko
- Centre Hospitalier Universitaire Hassan II Fes
-
Oujda, Marokko
- Centre Hospitalier Universitaire Mohammed VI Oujda
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
Hyväksyy terveitä vapaaehtoisia
Sukupuolet, jotka voivat opiskella
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
- Yksittäiset tai moninkertaiset elinkelpoiset raskaudet, joiden gestaatioikä on vähintään 14 viikkoa ensimmäisen raskauskolmanneksen US-skannauksen mukaan kruunun ja lantion pituusmittauksella (CRL) tai karkeasti arvioituna viimeisten kuukautisten perusteella (LMP).
- Rutiiniohjelmoitu US-skannaus.
- Potilaan suostumus saadaan.
- Yli 18-vuotias potilas.
Poissulkemiskriteerit:
- Kiireelliset indikaatiot sikiön ultraäänelle
- Merkittävät morfologiset epämuodostumat, jotka eivät mahdollista kallon, vatsan tai alaraajan asianmukaista mittaamista, esimerkiksi anenkefalia, omphalocele, alaraajojen fokomelia.
- Sikiön kuolema.
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Havaintomallit: Muut
- Aikanäkymät: Poikkileikkaus
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Biometristen parametrien mittauksen ja lapsivesimäärän arvioinnin yleinen tarkkuus
Aikaikkuna: jopa 20 viikkoa
|
Keskimääräinen absoluuttinen virhe mallin HC-, BPD-, AC-, FL- ja SDP-mittausten (mm), RT-kliinikon ja paneelin välillä.
|
jopa 20 viikkoa
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Kuvanlaatu
Aikaikkuna: Jopa 20 viikkoa
|
Kokonaismallin ja RT-kliinikon kuvanlaatupisteet, jotka paneeli arvioi sikiön biometrian ja kasvun ultraääniarvioinnin ISUOG-standardien mukaisesti
|
Jopa 20 viikkoa
|
|
Pienen raskausiän mukaisen sikiön havaitsemisen tarkkuus, herkkyys ja spesifisyys
Aikaikkuna: Jopa 20 viikkoa
|
Kokonaismallien diagnostinen tarkkuus, herkkyys ja spesifisyys pienten raskausiän sikiöiden havaitsemisessa verrattuna RT-kliinikoihin
|
Jopa 20 viikkoa
|
|
Oligohydramnionin ja polyhydramnionin havaitsemisen tarkkuus, herkkyys ja spesifisyys
Aikaikkuna: Jopa 20 viikkoa
|
Kokonaismallien diagnostinen tarkkuus, herkkyys ja spesifisyys oligohydramnionin ja polyhydramnionin havaitsemisessa verrattuna RT-kliinikoihin
|
Jopa 20 viikkoa
|
Yhteistyökumppanit ja tutkijat
Sponsori
Yhteistyökumppanit
Tutkijat
- Päätutkija: Saad Slimani, M.D., Centre Hospitalier Universitaire Ibn Rochd de Casablanca
Julkaisuja ja hyödyllisiä linkkejä
Yleiset julkaisut
- Grytten J, Skau I, Sorensen R, Eskild A. Does the Use of Diagnostic Technology Reduce Fetal Mortality? Health Serv Res. 2018 Dec;53(6):4437-4459. doi: 10.1111/1475-6773.12721. Epub 2018 Jan 19.
- Salomon LJ, Alfirevic Z, Berghella V, Bilardo C, Hernandez-Andrade E, Johnsen SL, Kalache K, Leung KY, Malinger G, Munoz H, Prefumo F, Toi A, Lee W; ISUOG Clinical Standards Committee. Practice guidelines for performance of the routine mid-trimester fetal ultrasound scan. Ultrasound Obstet Gynecol. 2011 Jan;37(1):116-26. doi: 10.1002/uog.8831. No abstract available.
- Gaudineau A. [Prevalence, risk factors, maternal and fetal morbidity and mortality of intrauterine growth restriction and small-for-gestational age]. J Gynecol Obstet Biol Reprod (Paris). 2013 Dec;42(8):895-910. doi: 10.1016/j.jgyn.2013.09.013. Epub 2013 Nov 9. French.
- Sarris I, Ioannou C, Chamberlain P, Ohuma E, Roseman F, Hoch L, Altman DG, Papageorghiou AT; International Fetal and Newborn Growth Consortium for the 21st Century (INTERGROWTH-21st). Intra- and interobserver variability in fetal ultrasound measurements. Ultrasound Obstet Gynecol. 2012 Mar;39(3):266-73. doi: 10.1002/uog.10082.
- Tashfeen K, Hamdi IM. Polyhydramnios as a predictor of adverse pregnancy outcomes. Sultan Qaboos Univ Med J. 2013 Feb;13(1):57-62. doi: 10.12816/0003196. Epub 2013 Feb 27.
- Morris RK, Meller CH, Tamblyn J, Malin GM, Riley RD, Kilby MD, Robson SC, Khan KS. Association and prediction of amniotic fluid measurements for adverse pregnancy outcome: systematic review and meta-analysis. BJOG. 2014 May;121(6):686-99. doi: 10.1111/1471-0528.12589. Epub 2014 Feb 7.
- Kehl S, Schelkle A, Thomas A, Puhl A, Meqdad K, Tuschy B, Berlit S, Weiss C, Bayer C, Heimrich J, Dammer U, Raabe E, Winkler M, Faschingbauer F, Beckmann MW, Sutterlin M. Single deepest vertical pocket or amniotic fluid index as evaluation test for predicting adverse pregnancy outcome (SAFE trial): a multicenter, open-label, randomized controlled trial. Ultrasound Obstet Gynecol. 2016 Jun;47(6):674-9. doi: 10.1002/uog.14924.
- Sande JA, Ioannou C, Sarris I, Ohuma EO, Papageorghiou AT. Reproducibility of measuring amniotic fluid index and single deepest vertical pool throughout gestation. Prenat Diagn. 2015 May;35(5):434-9. doi: 10.1002/pd.4504. Epub 2015 Mar 28.
- Li Y, Zhang Z, Dai C, Dong Q, Badrigilan S. Accuracy of deep learning for automated detection of pneumonia using chest X-Ray images: A systematic review and meta-analysis. Comput Biol Med. 2020 Aug;123:103898. doi: 10.1016/j.compbiomed.2020.103898. Epub 2020 Jul 14.
- Dhar R, Falcone GJ, Chen Y, Hamzehloo A, Kirsch EP, Noche RB, Roth K, Acosta J, Ruiz A, Phuah CL, Woo D, Gill TM, Sheth KN, Lee JM. Deep Learning for Automated Measurement of Hemorrhage and Perihematomal Edema in Supratentorial Intracerebral Hemorrhage. Stroke. 2020 Feb;51(2):648-651. doi: 10.1161/STROKEAHA.119.027657. Epub 2019 Dec 6.
- Sekhar A, Biswas S, Hazra R, Sunaniya AK, Mukherjee A, Yang L. Brain Tumor Classification Using Fine-Tuned GoogLeNet Features and Machine Learning Algorithms: IoMT Enabled CAD System. IEEE J Biomed Health Inform. 2022 Mar;26(3):983-991. doi: 10.1109/JBHI.2021.3100758. Epub 2022 Mar 7.
- Kim HP, Lee SM, Kwon JY, Park Y, Kim KC, Seo JK. Automatic evaluation of fetal head biometry from ultrasound images using machine learning. Physiol Meas. 2019 Jul 1;40(6):065009. doi: 10.1088/1361-6579/ab21ac.
- Sobhaninia Z, Rafiei S, Emami A, Karimi N, Najarian K, Samavi S, Reza Soroushmehr SM. Fetal Ultrasound Image Segmentation for Measuring Biometric Parameters Using Multi-Task Deep Learning. Annu Int Conf IEEE Eng Med Biol Soc. 2019 Jul;2019:6545-6548. doi: 10.1109/EMBC.2019.8856981.
- Cho HC, Sun S, Min Hyun C, Kwon JY, Kim B, Park Y, Seo JK. Automated ultrasound assessment of amniotic fluid index using deep learning. Med Image Anal. 2021 Apr;69:101951. doi: 10.1016/j.media.2020.101951. Epub 2021 Jan 7.
- Kelly CJ, Karthikesalingam A, Suleyman M, Corrado G, King D. Key challenges for delivering clinical impact with artificial intelligence. BMC Med. 2019 Oct 29;17(1):195. doi: 10.1186/s12916-019-1426-2.
Hyödyllisiä linkkejä
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Todellinen)
Opintojen valmistuminen (Todellinen)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- U1111-1268-5186
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
IPD-suunnitelman kuvaus
IPD-jaon aikakehys
IPD-jaon käyttöoikeuskriteerit
IPD-jakamista tukeva tietotyyppi
- Tutkimuspöytäkirja
- Tilastollinen analyysisuunnitelma (SAP)
- Ilmoitettu suostumuslomake (ICF)
- Kliinisen tutkimuksen raportti (CSR)
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .