人工知能による胎児心エコー検査の解釈 (LIFE)

序章：

世界的に、先天性心疾患 (CHD) は、最も遭遇する胎児の奇形です。 先天性心疾患の発生率は、生きた生まれた乳児 100 人あたり約 1 人であり、満期前に死亡した乳児ではさらに高くなります (1)。 胎児心エコー検査 (FE) は、心臓の解剖学的異常の単なる説明から、その機能、寸法、および形状の定量的評価へと進化しました (2)。 現在、FE は、妊娠後期の調査中に超音波検査技師によって手動で実行されます。 しかし、生後 1 年以内に手術を受ける赤ちゃんのうち、出生前診断が行われるのは半分だけであり (3)、胎児の心臓の評価を改善する必要があることを説明しています。 多くの研究は、手動で実行されたFEによって得られたCHDの出生前と出生後の診断の間に有意な不一致の存在を示しました（4、5）。

インテリジェント意思決定支援システム (IS) は、データを収集して分析し、他のシステムと通信し、経験から学び、新しいケースに応じて適応する能力を持つフレームワークです。 技術的に言えば、IS は人工知能 (AI) (6) を使用してさらされた環境を観察し、応答する高度なマシンです。 このプロジェクトは、FEとISの相互受精を促進することを目的としています。これにより、関連する分野の境界を超え、医療行為と発見を支援する新しい影響力のある方法につながる、新しい基礎理論と実践的な方法を開発する大きな可能性がもたらされます。

方法と分析:

実行される研究は、2 つの部分に分かれた横断的研究です。提案されたフレームワーク内での機械学習アプローチのトレーニング部分と、以前には見られなかったフレームと最終的には実際のビデオ スキャンに関するテスト段階です。 妊娠第 1 期および第 2 期のすべての妊婦は、研究に適格であると見なされます。 妊娠中の女性は、定期的な超音波検査とモニタリングのために入院し、妊娠12〜13 + 6週の間（最初の学期の異常スキャンの場合）および/または妊娠18〜24週の間（第2の学期の異常スキャンの場合） . 各胎児心臓の 2 次元評価には、トランスデューサを上部縦隔に向かって頭側に移動することにより、4 腔ビュー平面から得られたシネ ループ スイープが含まれます。これにより、4 腔ビュー、左右の平面を視覚化できます。心室流出路、3 つの血管と気管ビュー。 米国のデバイスから保存されたすべてのビデオ ファイルは、クラウドに収集されます。 各超音波スイープは、OB-GYN/Cardio (OBC) 部門によってフレームに分割されます。 データ サイエンス/IT 部門 (DSIT) は、匿名化規制に従うためにフレームを処理します。 主要な特徴を識別するために、フレームは OBC によって各学期の平面ビューを表すクラスにグループ化されます。 DSIT は、平面ビューを含むデータ セットに対して、さまざまな最先端の DL 事前トレーニング済みアルゴリズムを試します。 最近のすべての DL エントリは、キー ビューの識別とセマンティック セグメンテーションの現在の 2 つのシナリオで調整およびテストされます。 それらのパフォーマンス結果 (OBC によってマークされたグラウンド トゥルースに対する予測) は、統計テストによって比較分析されます。 システムは最終的にビデオで実行されるため、精度と速度の均衡はアプローチのランキングで考慮されます。 新しいビデオが実際に利用可能になると、それぞれのタスクに選択されたモデルは、ビデオの主要な機能またはセグメント化された領域を強調し、その認識にある程度の自信を提供します. OBC の医師は、フレーム レベルでのすべての中間調査結果、およびビデオのラベル付けとセグメンテーションの意味を検証します。 同じ患者の妊娠第 1 期と第 2 期のビデオでのモデルの結果を比較して、不一致を評価します。

AI（人工知能）分析

データベース構築:

AI分析用のデータセットは、先端面で撮影された超音波スキャンから抽出された画像から構築されます。 その結果、与えられた重要なビューに対応する 4 つのカテゴリを持つ分類問題が考慮されます。 追加の Other クラスが指定され、スキャンからの他の重要でないフレームの画像が取り込まれます。

胎児心臓スキャンの画像前処理:

最初のステップは、画像をグレースケールに変換し、しきい値を適用することによって実行される抽出によって表されます。 このようにして、バックグラウンド ノイズは破棄されます。 画像内の関心領域と他の領域との間の小さなブリッジを除去するために、10x10 ピクセル カーネルを使用して浸食が適用されます。 侵食後、関心のある領域に加えて、いくつかの小さな「島」が画像に表示される場合があります。 対象ゾーンには、他の島とは異なる 2 つのプロパティがあります。常に画像の中央領域をカバーし、最も高い領域を持っています。 無関係な島を排除するために、画像の中央領域をカバーするスポットが最初に識別され、次に表面被覆率が最も高いスポットが選択されます。 検出されたスポットが塗りつぶされ、同じ 10x10 ピクセルのカーネルを使用して、膨張アルゴリズムを適用することで寸法が復元されます。 膨張したスポットの周囲の細部が失われないようにするために、その凸包が描画されて塗りつぶされます。 最後に、生成されたスポットをマスクとして使用して、元の画像から関心領域を抽出します。

実験結果：

データ コレクションの 3 つのバリアントが考慮されます: 元の両面 (標準 + ドップラー) サンプル、ドップラー シングル トリミング、および結果の標準とドップラー トリミングのマージされた画像ペア。

同様のセットアップを持つ ResNet18 および ResNet50 アーキテクチャは、予備処理の適合性を評価するために、各データ セットに順番に適用されます。

トリミングされた画像を含むデータ コレクションには、すべての初期画像からの代表が含まれているため、すべてのセットは、トレーニング、検証、およびテストの分離と同様に、各クラスごとに同じ数のアイテムと構造を持ちます。 客観的な評価のために、患者から抽出されたすべての画像は、データセットの同じ分離、つまりトレーニング、検証、またはテスト内にあります。 これは、異なる瞬間に作成された患者の複数のビデオ ファイルがある場合でも発生します (例: 週間隔で）時間内に。

画像は 224 × 224 ピクセルにリサイズされます。 1cycle ポリシーが使用され、実装は fastai および PyTorch ライブラリを使用して行われます。 初期モデルの重みは、ImageNet データ セットで事前トレーニングされているように、転移学習によって取得されます。 データ拡張のデフォルト オプションが使用されます。 トレーニング プロセスには 2 つのステップがあり、それぞれに 10 エポックしか含まれていません。 最初のトレーニング セッションでは、バッチ正規化レイヤーとモデルの頭部を除いて、すべてのレイヤーが固定されます。 その選択は、ネットワークの重みが損失勾配に対してどのように調整されるかを制御し、適切な値を選択することは、モデルを極小値に収束させ、より少ない量のエポックで精度を向上させるために不可欠です。 バッチ サイズは 32 に等しくなります。 検証データで最高の精度を達成したモデルがテスト セットに適用されます。 2 つのアーキテクチャのそれぞれと個別のデータ セットごとに、5 回の繰り返し適用が行われ、各ケースの報告された結果は、5 つの結果の平均として計算されます。 実行は、GPU に Tesla T4 を使用して、Google Colab で行われます。 B. 成功した勾配クラス活性化マップ (Grad-CAM) アプローチは、各データ セットの大動脈およびその他のラベル付けのモデルの決定の概要を説明するために使用されます。 プロットは、個別の (アーキテクチャ、データ セット) セットアップごとに計算された 5 回の実行から得られます。