Sviluppo e test di modelli di intelligenza artificiale per la biometria fetale e la valutazione del volume amniotico nelle ecografie fetali.
Sviluppo e test di modelli di deep learning per la biometria fetale e la valutazione del volume amniotico nelle ecografie fetali di routine
L'ecografia fetale di routine durante il secondo trimestre di gravidanza è una modalità di screening non invasiva a basso costo che ha dimostrato di ridurre la mortalità fetale fino al 20%. Uno degli elementi critici di questo esame è la misurazione dei parametri biometrici fetali, che sono la circonferenza cranica (HC), il diametro biparietale (BPD), la circonferenza addominale (AC) e la lunghezza del femore (FL) misurati su piani standard di biometria. Questi piani standard sono presi secondo gli standard di qualità descritti per la prima volta da Salomon et al. e utilizzato come linee guida della International Society of Ultrasound in Obstetrics and Gynecology (ISUOG). I parametri biometrici da essi estratti sono essenziali per diagnosticare il ritardo di crescita fetale (FGR), la prima causa al mondo di mortalità fetale perinatale.
Tali misurazioni e la valutazione della qualità dell'immagine sono attività che richiedono tempo e sono soggette a variabilità inter e intraosservatore a seconda del livello di abilità dell'ecografista o del medico che esegue l'esame.
La valutazione del volume del liquido amniotico (AF) è anche un passaggio essenziale nelle scansioni di screening di routine che consentono la diagnosi di oligo o idramnios, entrambi associati a un aumento dei tassi di mortalità fetale.
L'AF viene misurato mediante due principali tecniche "semi-quantitative": l'indice del liquido amniotico (AFI) e la singola tasca più profonda (SDP). Quest'ultimo è più specifico in quanto riduce la sovradiagnosi di oligoamnios senza alcun impatto sulla mortalità o sulla morbilità ed è più facile da eseguire per l'ecografista (una sola misurazione contro quattro nel caso della tecnica AFI). Tuttavia, la valutazione della FA rimane un'attività che richiede tempo e scarsamente riproducibile.
I tentativi di automatizzare tali misurazioni biometriche e la valutazione del volume AF sono stati effettuati utilizzando strumenti di intelligenza artificiale (AI) e deep learning (DL). Gli studi hanno mostrato risultati eccellenti "in silico", raggiungendo fino al 98%, 95%, 93% coefficienti di punteggio dei dadi per le misurazioni HC, AC e FL e 89% DSC per le misurazioni AFI. Tuttavia, sono stati tutti condotti in modo retrospettivo senza convalida su immagini acquisite in modo prospettico.
Recensioni ed esperti hanno sottolineato la necessità di studi prospettici sottoposti a revisione paritaria di qualità per valutare le prestazioni degli strumenti di intelligenza artificiale con dati del mondo reale. Si prevede che le loro prestazioni siano peggiori e riflettano meglio il loro utilizzo nel flusso di lavoro clinico.
Questo studio mira a sviluppare modelli DL per automatizzare le misurazioni di HC, BPD, AC e FL e la valutazione del volume AF da dati acquisiti retrospettivamente e testare le loro prestazioni rispetto a quelle di medici ed esperti su potenziali scansioni ecografiche fetali del mondo reale.
Panoramica dello studio
Stato
Condizioni
Intervento / Trattamento
Descrizione dettagliata
I modelli DL verranno prima addestrati, convalidati e testati sui dati acquisiti retrospettivamente. Questi dati consisteranno in immagini ecografiche fetali raccolte nei centri medici partecipanti dopo l'anonimizzazione a livello di paziente. La verità di base per i modelli consisterà in annotazioni fatte da radiologi e ostetrici per scopi di classificazione e segmentazione. I modelli DL saranno addestrati per svolgere le seguenti attività:
- Rilevamento dei seguenti piani standard come descritto nelle linee guida ISUOG: piani transtalamici, transventricolari, transcerebellari, addominali e femorali su loop video.
- Punteggio della qualità dell'immagine secondo le linee guida ISUOG dei piani transtalamico, addominale e femorale.
- Segmentazione fetale di cranio, addome e femore per misurare HC, BPD AC e FL.
- Rilevamento di tasche AF.
- Segmentazione delle tasche AF ed estrazione della profondità delle tasche per valutare la misurazione SDP
Ai medici verrà chiesto di salvare ulteriori immagini e loop video in aggiunta al loro screening di routine negli esami prospettici:
- Otto immagini: piani standard transtalamici, addominali e femorali con e senza calibri, SDP con e senza calibri.
Quattro video loop fino a cinque secondi ciascuno:
- Ansa cefalica che comprende i piani transcerebellare, transtalamico e transventricolare.
- Un anello addominale che va dalla vista a quattro camere del cuore a una sezione trasversale dei reni e della schiena.
- Un'ansa femorale con la sonda parallela all'asse sagittale del femore che si sposta da un lato all'altro.
- Un'ansa intera della cavità amniotica, con la sonda perpendicolare al suolo che esercita la minor pressione possibile sull'addome del paziente, passando dal fondo uterino alla cervice, una o due volte a seconda del volume della cavità amniotica.
I medici che eseguono l'esame in "tempo reale" (clinici RT), il gruppo di esperti e i modelli DL esamineranno gli esami prospettici.
La misurazione SDP estratta dai modelli di rilevamento e segmentazione della tasca AF verrà confrontata direttamente con il valore misurato dai medici RT.
Quindi, la qualità dell'immagine dei piani selezionati dai medici RT e il modello saranno valutati dal gruppo di esperti.
L'attività di segmentazione sarà valutata in modo tripartito: il modello, i clinici RT e il panel segmenteranno tutti le stesse immagini.
Per valutare l'accordo tra osservatori, il 10% delle immagini sarà selezionato in modo casuale e rivisto da due revisori indipendenti della giuria.
Tipo di studio
Iscrizione (Effettivo)
Contatti e Sedi
Luoghi di studio
-
-
-
Casablanca, Marocco, 20100
- Centre de Radiologie Abou Madi
-
Casablanca, Marocco, 20100
- Centre Hospitalier Cheikh Khalifa
-
Casablanca, Marocco, 20100
- Centre Hospitalier Universitaire Ibn Rochd
-
Casablanca, Marocco, 27182
- Mohamed VI University International Hospital
-
Fes, Marocco
- Centre Hospitalier Universitaire Hassan II Fes
-
Oujda, Marocco
- Centre Hospitalier Universitaire Mohammed VI Oujda
-
-
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
Accetta volontari sani
Sessi ammissibili allo studio
Metodo di campionamento
Popolazione di studio
Descrizione
Criterio di inclusione:
- Gravidanze vitali singole o multiple con un'età gestazionale di 14 settimane o più datata su una scansione US del primo trimestre con la misurazione della lunghezza della groppa della corona (CRL) o stimata grossolanamente dall'ultimo periodo mestruale (LMP).
- Scansione US programmata di routine.
- Si ottiene il consenso del paziente.
- Paziente di età superiore ai 18 anni.
Criteri di esclusione:
- Indicazione di emergenza per l'ecografia fetale
- Malformazioni morfologiche maggiori che non consentono una corretta misurazione del cranio, dell'addome o dell'arto inferiore, ad esempio anencefalia, onfalocele, focomelia degli arti inferiori.
- Morte fetale.
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
- Modelli osservazionali: Altro
- Prospettive temporali: Trasversale
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Precisione complessiva per la misurazione dei parametri biometrici e la valutazione del volume del liquido amniotico
Lasso di tempo: fino a 20 settimane
|
Errore assoluto medio tra le misurazioni di HC, BPD, AC, FL e SDP del modello (in mm), del medico RT e del panel
|
fino a 20 settimane
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Qualità dell'immagine
Lasso di tempo: Fino a 20 settimane
|
Punteggio complessivo della qualità dell'immagine del modello e del medico RT valutato dal panel seguendo gli standard ISUOG sulla valutazione ecografica fetale della biometria e della crescita
|
Fino a 20 settimane
|
|
Accuratezza, sensibilità e specificità del rilevamento del feto piccolo per l'età gestazionale
Lasso di tempo: Fino a 20 settimane
|
Accuratezza diagnostica, sensibilità e specificità complessive dei modelli nel rilevare feti piccoli per età gestazionale rispetto ai medici RT
|
Fino a 20 settimane
|
|
Precisione, sensibilità e specificità del rilevamento di oligoidramnios e polidramnios
Lasso di tempo: Fino a 20 settimane
|
Precisione diagnostica, sensibilità e specificità complessive dei modelli nel rilevare oligoidramnios e polidramnios rispetto ai medici RT
|
Fino a 20 settimane
|
Collaboratori e investigatori
Sponsor
Collaboratori
Investigatori
- Investigatore principale: Saad Slimani, M.D., Centre Hospitalier Universitaire Ibn Rochd de Casablanca
Pubblicazioni e link utili
Pubblicazioni generali
- 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.
Collegamenti utili
Studiare le date dei record
Studia le date principali
Inizio studio (Effettivo)
Completamento primario (Effettivo)
Completamento dello studio (Effettivo)
Date di iscrizione allo studio
Primo inviato
Primo inviato che soddisfa i criteri di controllo qualità
Primo Inserito (Effettivo)
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo verificato
Maggiori informazioni
Termini relativi a questo studio
Parole chiave
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- U1111-1268-5186
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
Descrizione del piano IPD
Periodo di condivisione IPD
Criteri di accesso alla condivisione IPD
Tipo di informazioni di supporto alla condivisione IPD
- Protocollo di studio
- Piano di analisi statistica (SAP)
- Modulo di consenso informato (ICF)
- Relazione sullo studio clinico (CSR)
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .