A magzati echokardiográfia értelmezése a mesterséges intelligencia segítségével (LIFE)

Bevezetés:

Világszerte a veleszületett szívbetegség (CHD) a leggyakoribb magzati rendellenesség. Úgy tűnik, hogy a veleszületett szívbetegség előfordulási gyakorisága körülbelül 1/100 élve született csecsemő, és még magasabb azoknál a csecsemőknél, akik születés előtt halnak meg (1). A magzati echokardiográfia (FE) a szív anatómiai rendellenességeinek leírásától kezdve a szív funkciójának, méretének és alakjának kvantitatív értékelése felé fejlődött (2). Jelenleg az FE-t manuálisan végzi a szonográfus a második trimeszter vizsgálata során. Az első életévben műtéten átesett csecsemőknek azonban csak a fele rendelkezik prenatális kimutatással (3), ami megmagyarázza a magzati szívműtét javításának szükségességét. Számos tanulmány szignifikáns eltérést mutatott a CHD pre- és posztnatális diagnózisa között, amelyet manuálisan végzett FE-vel kaptak (4, 5).

Az intelligens döntéstámogató rendszerek (IS) olyan keretrendszerek, amelyek képesek adatokat gyűjteni és elemezni, kommunikálni más rendszerekkel, tanulni a tapasztalatokból és alkalmazkodni az új esetekhez. Technikailag az IS-k olyan fejlett gépek, amelyek a mesterséges intelligencia (AI) segítségével megfigyelik és reagálnak arra a környezetre, amelynek ki voltak téve (6). Ennek a projektnek az a célja, hogy elősegítse az FE és az IS-ek kölcsönös megtermékenyítését, amely óriási lehetőséget kínál új alapvető elméletek és gyakorlati módszerek kidolgozására, amelyek túllépnek az érintett tudományágak határain, és új hatásos módszerekhez vezetnek, amelyek segítik az orvosi gyakorlatot és a felfedezést.

Módszerek és elemzés:

Az elvégzendő vizsgálat egy keresztmetszeti vizsgálat, amely két különálló részre oszlik: a gépi tanulási megközelítések képzési részébe a javasolt keretek között, valamint a tesztelési szakaszba korábban nem látott képkockákon, és végül tényleges videóleolvasásokon. Minden első és második trimeszterben lévő terhes nő jogosult a vizsgálatra. A terhes nőket rutin ultrahangos vizsgálatra és monitorozásra bocsátjuk, először a terhesség 12-13+6 hete között (első trimeszter anomália szkennelésére) és/vagy a terhesség 18-24 hete között (a második trimeszter anomália vizsgálatára) . Az egyes magzati szívek kétdimenziós kiértékelése magában foglalja a négykamrás nézetsíkból a jelátalakító koponyairányban a felső mediastinum felé történő mozgatásával kapott mozihurok-sweep-et, amely lehetővé teszi a következő síkok megjelenítését: négykamrás nézet, bal és jobb kamrai kiáramlási utak, három ér és légcső nézet. Az egyesült államokbeli eszközökről mentett összes videofájl a felhőbe kerül. Az OB-GYN/Cardio (OBC) osztály minden ultrahangos seprést keretekre oszt fel. Az adattudományi/informatikai osztály (DSIT) fogja feldolgozni a kereteket az anonimizálási előírások betartásához. A kulcsfontosságú jellemzők azonosításához a kereteket az OBC csoportosítja olyan osztályokba, amelyek az egyes trimeszterek síknézeteit képviselik. A DSIT különböző korszerű DL-előre betanított algoritmusokat próbál ki az adatkészleten síknézetekkel. Az összes legutóbbi DL-bejegyzés személyre szabottan és a jelenlegi két forgatókönyv szerint, a kulcsnézet azonosításán és a szemantikai szegmentáláson lesz tesztelve. Teljesítményeredményeiket (előrejelzésüket az OBC által megjelölt alapigazsághoz képest) statisztikai teszttel összehasonlítva elemzik. A megközelítések rangsorolásánál figyelembe veszik a pontosság-sebesség egyensúlyt, hiszen a rendszer végül egy videón teljesít majd. Amint egy új videó elérhető lesz a gyakorlatban, az adott feladathoz választott modell kiemeli a kulcsfontosságú jellemzőt vagy a szegmentált régiót a videón, és bizonyos fokú biztonságot ad annak felismerésében. Az OBC orvosai minden közbenső leletet keret szinten validálnak, valamint a videó címkézés és szegmentálás értelmességét. A modell eredményeit ugyanannak a páciensnek az első és második trimeszterében készített videóin összehasonlítják az eltérés felmérése érdekében.

AI (MESTERSÉGES INTELLIGENCIA) ELEMZÉS

Adatbázis felépítése:

A mesterséges intelligencia elemzéséhez szükséges adatkészletet az apikális síkban készített ultrahangos felvételekből kinyert képekből állítják össze. Következésképpen az adott kulcsnézeteknek megfelelő négy kategóriába tartozó osztályozási problémát vizsgálunk. Egy további Egyéb osztály kerül kijelölésre és feltöltésre a beolvasásból származó egyéb nem fontos képkockák képeivel.

Kép előfeldolgozása magzati szívvizsgálatokhoz:

Az első lépést a kép szürkeárnyalatossá alakításával és küszöbérték alkalmazásával végzett kivonás jelenti. Ily módon a háttérzaj elvész. Az érdeklődési terület és a kép más területei közötti kis hidak kiküszöbölése érdekében eróziót alkalmazunk egy 10x10 pixeles kernellel. Az eróziót követően a vizsgált terület mellett több kisebb "sziget" is megjelenhet a képen. Az érdeklődési körnek két olyan tulajdonsága van, amely megkülönbözteti a többi szigettől: mindig a kép középső területét fedi le, és ennek van a legmagasabb területe. A nem releváns szigetek kiküszöbölése érdekében először a kép középső területét lefedő foltokat azonosítjuk, majd kiválasztjuk a legnagyobb felületi fedettségű foltot. Az észlelt folt kitöltése, majd a dimenzió visszaállítása tágító algoritmus alkalmazásával, ugyanazzal a 10x10 pixeles maggal. Annak érdekében, hogy a kitágult folt körül ne vesszenek el a finom részletek, a domború héjat megrajzolják és kitöltik. Végül a generált folt maszkként kerül felhasználásra, hogy kivonja a vizsgált területet az eredeti képből.

Kísérleti eredmények:

Az adatgyűjtés három változatát veszik figyelembe: az eredeti kétoldalas (standard + Doppler) mintákat, a Doppler egyszeri kivágásokat és a kapott standard és Doppler kivágások egyesített képpárjait.

A hasonló beállításokkal rendelkező ResNet18 és ResNet50 architektúra minden adathalmazhoz felváltva kerül alkalmazásra az előzetes feldolgozás alkalmasságának értékelésére.

Mivel a kivágott képekkel ellátott adatgyűjtemények az összes kiindulási kép képviselőit tartalmazzák, így minden halmazban azonos számú elem és struktúra van osztályonként, valamint a betanítási, érvényesítési és teszt-elválasztások szempontjából. Az objektív értékelés érdekében a páciensről kinyert összes kép az adathalmaz azonos elválasztásán belül van, azaz a képzés, az érvényesítés vagy a teszt. Ez akkor is előfordul, ha egy pácienshez több videofájl is készült különböző pillanatokban (pl. hét különbséggel) időben.

A képek 224 × 224 pixelre vannak méretezve. A rendszer az 1cycle házirendet használja, és a megvalósítás fastai és PyTorch könyvtárak használatával történik. A kezdeti modellsúlyokat átviteli tanulással veszik fel, az ImageNet adatkészleten előtanulva. Az adatkiegészítések alapértelmezett beállításai használatosak. A képzési folyamat 2 lépésből áll, mindegyik csak 10 korszakot tartalmaz. Az első képzési munkamenetben minden réteg lefagy, kivéve a kötegelt normalizálási rétegeket és a modell fejét. Megválasztása szabályozza, hogy a hálózat súlyozása a veszteségi gradienshez képest hogyan igazodik, és a megfelelő érték kiválasztása elengedhetetlen ahhoz, hogy a modell egy lokális minimumhoz konvergáljon, és ezáltal kisebb korszakok alatt is nagyobb pontosságot érjen el. A tétel mérete 32-nek felel meg. Az érvényesítési adatok legnagyobb pontosságát elérő modell kerül alkalmazásra a tesztkészleten. A két architektúra mindegyikére és minden egyes adatkészletre 5 ismételt alkalmazás kerül végrehajtásra, és az egyes esetekre jelentett eredményeket az 5 eredmény átlagaként számítják ki. A futtatások a Google Colabban készülnek, a GPU-hoz Tesla T4 használatával. B. A sikeres gradiens osztály aktiválási térkép (Grad-CAM) megközelítést alkalmazzuk a modell döntéseinek felvázolására az Aorta és Egyéb címkézéshez minden adatkészletre. A diagramok az egyes különálló (architektúra, adatkészlet) beállításokhoz kiszámított 5 futtatásból származnak.