AI modellek fejlesztése és tesztelése a magzati biometria és a magzatvíz mennyiségének felméréséhez a magzati ultrahangos vizsgálatok során.

A rutin magzati ultrahangvizsgálat a terhesség második trimeszterében egy alacsony költségű, nem invazív szűrési mód, amely bizonyítottan akár 20%-kal csökkenti a magzati mortalitást. A vizsgálat egyik kritikus eleme a magzati biometrikus paraméterek mérése, amelyek a biometrikus standard síkon mért fejkörfogat (HC), biparietális átmérő (BPD), haskörfogat (AC) és combcsonthossz (FL). Ezeket a szabványos repülőgépeket a Salomon és munkatársai által először leírt minőségi szabványok szerint vettük fel. és az International Society of Ultrasound in Obstetrics and Gynecology (ISUOG) irányelveiként használják. A belőlük kinyert biometrikus paraméterek nélkülözhetetlenek a magzati növekedési korlátozás (FGR), a perinatális magzati mortalitás világelső okának diagnosztizálásához.

Az ilyen mérések és képminőség-értékelés időigényes feladatok, amelyek a szonográfus vagy a vizsgát végző orvos képzettségi szintjétől függően hajlamosak a megfigyelők közötti és intraobserver változékonyságra.

A magzatvíz (AF) térfogatának felmérése szintén lényeges lépés a rutin szűrővizsgálatokban, amelyek lehetővé teszik az oligo vagy hydramnion diagnosztizálását, mindkettő a megnövekedett magzati mortalitási arányhoz kapcsolódik.

Az AF-t két fő "félkvantitatív" technikával mérik: a magzatvíz-indexet (AFI) és a legmélyebb zsebet (SDP). Ez utóbbi specifikusabb, mivel csökkenti az oligo-amnion túldiagnózisát anélkül, hogy bármilyen hatással lenne a mortalitásra vagy a morbiditásra, és könnyebben elvégezhető a szonográfus számára (csak egy mérés, szemben az AFI-technika esetén négy méréssel). Az AF-értékelés azonban továbbra is időigényes és rosszul reprodukálható feladat.

Az ilyen biometrikus mérések és az AF-térfogat értékelésének automatizálására mesterséges intelligencia (AI) és mély tanulási (DL) eszközök segítségével történtek kísérletek. A vizsgálatok kiváló eredményeket mutattak ki "in silico", elérve a 98%-os, 95%-os, 93%-os kockapontszám-együtthatót a HC, AC és FL méréseknél és 89%-os DSC-t az AFI méréseknél. Mindazonáltal mindegyiket utólag végezték el, anélkül, hogy a leendően beszerzett képeket ellenőrizték volna.

Az áttekintések és a szakértők hangsúlyozták, hogy minőségi, lektorált prospektív tanulmányokra van szükség az AI-eszközök teljesítményének valós adatok alapján történő értékeléséhez. Teljesítményük várhatóan rosszabb lesz, és jobban tükrözi a klinikai munkafolyamatban való felhasználásukat.

Ennek a tanulmánynak a célja olyan DL-modellek kifejlesztése, amelyek automatizálják a HC, BPD, AC és FL méréseket és az AF-térfogat értékelését a retrospektíven szerzett adatokból, és tesztelik azok teljesítményét a klinikusok és a leendő valós magzati UH vizsgálatokkal foglalkozó szakértők teljesítményéhez képest.