Sikiön kaikukardiografian tulkinta tekoälyn avulla (LIFE)

Esittely:

Synnynnäinen sydänsairaus (CHD) on maailmanlaajuisesti yleisin sikiön epämuodostuma. Synnynnäisen sydänsairauden ilmaantuvuus näyttää olevan noin 1 tapaus 100 elävänä syntynyttä vauvaa kohden, ja se on vielä suurempi pikkulapsilla, jotka kuolevat ennen synnytystä (1). Sikiön kaikukardiografia (FE) on kehittynyt pelkästä sydämen anatomisten poikkeavuuksien kuvauksesta sen toiminnan, ulottuvuuden ja muodon kvantitatiiviseen arviointiin (2). Tällä hetkellä sonografi suorittaa FE:n manuaalisesti toisen raskauskolmanneksen tutkimuksen aikana. Kuitenkin vain puolella ensimmäisen elinvuoden aikana leikatuista vauvoista on synnytystä edeltävä toteamus (3), mikä selittää tarpeen parantaa sikiön sydänarviointia. Monet tutkimukset osoittivat, että käsin suoritetulla FE:llä saadun pre- ja postnataalisen sepelvaltimotaudin diagnoosin välillä oli merkittävä ero (4, 5).

Älykkäät päätöksenteon tukijärjestelmät (IS) ovat kehyksiä, jotka pystyvät keräämään ja analysoimaan tietoja, kommunikoimaan muiden järjestelmien kanssa, oppimaan kokemuksista ja mukautumaan uusiin tapauksiin. Teknisesti ottaen IS:t ovat kehittyneitä koneita, jotka tarkkailevat ja reagoivat ympäristöön, jolle ne ovat altistuneet tekoälyn (AI) avulla (6). Tämän hankkeen tavoitteena on edistää FE:n ja IS:iden ristiinhedelmöitystä, mikä tarjoaa valtavan potentiaalin kehittää uusia perustavanlaatuisia teorioita ja käytännön menetelmiä, jotka nousevat mukana olevien tieteenalojen rajojen yläpuolelle ja johtavat uusiin vaikuttaviin menetelmiin, jotka auttavat lääketieteellistä käytäntöä ja löytöjä.

Menetelmät ja analyysit:

Suoritettava tutkimus on poikkileikkaustutkimus, joka on jaettu kahteen erilliseen osaan: koneoppimislähestymistapojen koulutusosuuteen ehdotetun viitekehyksen puitteissa ja testausvaiheeseen ennen näkemättömillä kehyksillä ja lopulta varsinaisilla videoskannauksilla. Kaikki raskaana olevat naiset ensimmäisen ja toisen raskauskolmanneksen aikana katsotaan kelvollisiksi tutkimukseen. Raskaana olevat naiset otetaan rutiininomaiseen ultraäänitutkimukseen ja seurantaan, ensimmäisen kerran 12-13+6 raskausviikolla (ensimmäisen raskauskolmanneksen poikkeamatutkimus) ja/tai 18-24 raskausviikolla (toisen raskauskolmanneksen anomaliaskannaus) . Jokaisen sikiön sydämen kaksiulotteinen arviointi sisältää elokuvasilmukan pyyhkäisyn, joka saadaan nelikammioisesta näkymätasosta siirtämällä anturia kraniaalisesti kohti ylempää välikarsinaa, mikä mahdollistaa seuraavien tasojen visualisoinnin: nelikammionäkymä, vasen ja oikea. kammioiden ulosvirtauskanavat, kolme verisuonia ja henkitorvinäkymä. Kaikki yhdysvaltalaisilta laitteilta tallennetut videotiedostot kerätään pilveen. OB-GYN/Cardio (OBC) -osasto jakaa jokaisen ultraäänilakaisun kehyksiin. Tietotiede/IT-osasto (DSIT) käsittelee kehyksiä anonymisointimääräysten noudattamiseksi. Keskeisten piirteiden tunnistamista varten OBC ryhmittelee kehykset luokkiin, jotka edustavat kunkin kolmanneksen tasonäkymää. DSIT kokeilee erilaisia ​​huippuluokan DL-valmiusalgoritmeja tietojoukossa tasonäkymällä. Kaikki viimeaikaiset DL-merkinnät räätälöidään ja testataan kahdessa nykyisessä skenaariossa avainnäkymän tunnistamisessa ja semanttisessa segmentoinnissa. Heidän suoritustuloksensa (heidän ennusteensa OBC:n merkitsemää maatotuutta vastaan) analysoidaan vertailussa tilastollisen testin avulla. Tarkkuus-nopeus-tasapaino otetaan huomioon lähestymistapojen luokittelussa, koska järjestelmä suorittaa lopulta videon. Kun uusi video on käytännössä saatavilla, kulloiseenkin tehtävään valittu malli korostaa keskeisen ominaisuuden tai segmentoidun alueen videossa ja antaa myös jonkin verran luottamusta sen tunnistamiseen. OBC-lääkärit validoivat kaikki välihavainnot kehystasolla sekä videomerkintöjen ja segmentoinnin tarkoituksenmukaisuuden. Mallin tuloksia saman potilaan ensimmäisen ja toisen raskauskolmanneksen videoissa verrataan eron arvioimiseksi.

AI (TEKOÄLY) ANALYYSI

Tietokannan rakentaminen:

Tekoälyanalyysin tietojoukko kootaan kuvista, jotka on otettu apikaalisessa tasossa otetuista ultraääniskannauksista. Näin ollen tarkastellaan luokitteluongelmaa, jossa on neljä luokkaa, jotka vastaavat annettuja avainnäkemyksiä. Ylimääräinen Other-luokka nimetään ja täytetään kuvilla muista skannauksen merkityksettömistä kehyksistä.

Kuvan esikäsittely sikiön sydänskannauksia varten:

Ensimmäinen vaihe on erotus, joka suoritetaan muuntamalla kuva harmaasävyksi ja käyttämällä kynnystä. Tällä tavalla taustamelu hylätään. Pienten siltojen poistamiseksi kiinnostavan alueen ja kuvan muiden alueiden välillä käytetään eroosiota 10x10 pikselin ytimen avulla. Eroosion jälkeen kuvassa saattaa näkyä kiinnostavan alueen lisäksi useita pienempiä "saaria". Kiinnostusvyöhykkeellä on kaksi ominaisuutta, jotka erottavat sen muista saarista: se kattaa aina kuvan keskialueen ja sen pinta-ala on korkein. Ei-olennaisten saarekkeiden poistamiseksi tunnistetaan ensin kuvan keskialueen peittävät pisteet, jonka jälkeen valitaan piste, jolla on suurin pintapeitto. Havaittu kohta täytetään, sitten ulottuvuus palautetaan soveltamalla laajennusalgoritmia käyttäen samaa 10x10 pikselin ydintä. Jotta laajentuneen pisteen ympärillä olevat hienot yksityiskohdat eivät katoa, sen kupera runko vedetään ja täytetään. Lopulta luotua kohtaa käytetään maskina kiinnostavan alueen erottamiseksi alkuperäisestä kuvasta.

Kokeelliset tulokset:

Tiedonkeruun kolmea muunnelmaa tarkastellaan: alkuperäiset kaksipuoliset (standardi + Doppler) näytteet, Doppler-yksittäisrajaukset ja yhdistetyt kuvaparit tuloksena olevista standardi- ja Doppler-leikkauksista.

ResNet18- ja ResNet50-arkkitehtuureja, samanlaisilla asetuksilla, sovelletaan jokaiselle tietojoukolle vuorotellen esikäsittelyn soveltuvuuden arvioimiseksi.

Koska rajattujen kuvien tietokokoelmat sisältävät edustajia kaikista alkukuvista, kaikilla sarjoilla on siis sama määrä kohteita ja rakenne kutakin luokkaa kohti sekä koulutusta, validointia ja testierottelua varten. Objektiivista arviointia varten kaikki potilaasta otetut kuvat ovat samassa tietojoukossa, eli koulutuksessa, validoinnissa tai testissä. Näin tapahtuu, vaikka potilaalle olisi tehty useita videotiedostoja eri hetkillä (esim. viikon välein) ajoissa.

Kuvien koko muutetaan 224 × 224 pikseliin. Käytössä on 1cycle-käytäntö ja toteutus tehdään fastai- ja PyTorch-kirjastoilla. Alkuperäiset mallipainot otetaan siirtooppimisen kautta, kuten ImageNet-tietojoukossa on esiopetettu. Tietojen lisäyksen oletusasetuksia käytetään. Harjoitteluprosessissa on 2 vaihetta, joista kukin sisältää vain 10 aikakausia. Ensimmäisen harjoituskerran aikana kaikki tasot jäädytetään paitsi eränormalisointikerrokset ja mallin pää. Sen valinta ohjaa verkon painojen säätämistä häviögradientin suhteen ja oikean arvon valinta on olennaista, jotta malli saadaan konvergoimaan paikalliseen minimiin ja saavuttaa siten parannettu tarkkuus pienemmällä määrällä aikakausia. Erän kooksi otetaan 32. Mallia, joka saavuttaa suurimman tarkkuuden validointitiedoissa, käytetään testisarjassa. Jokaiselle kahdelle arkkitehtuurille ja jokaiselle erilliselle tietojoukolle tehdään 5 toistuvaa sovellusta ja kunkin tapauksen raportoidut tulokset lasketaan viiden tuloksen keskiarvona. Ajot on tehty Google Colabissa käyttäen Tesla T4:ää GPU:lle. B. Onnistuneen gradienttiluokan aktivointikartan (Grad-CAM) lähestymistapaa käytetään hahmottelemaan mallin päätökset Aorta- ja Other-merkinnöille jokaiselle tietojoukolle. Kaaviot on johdettu viidestä ajosta, jotka lasketaan kullekin erilliselle (arkkitehtuuri, tietojoukko) asetukselle.