태아 초음파 스캔에서 태아 생체 측정 및 양막 부피 평가를 위한 AI 모델 개발 및 테스트.

임신 2기 동안 정기적인 태아 초음파 검사는 태아 사망률을 최대 20%까지 낮추는 것으로 입증된 저비용 비침습적 검사 방식입니다. 이 검사의 중요한 요소 중 하나는 생체 측정 표준 평면에서 측정된 머리 둘레(HC), 두두정 직경(BPD), 복부 둘레(AC) 및 대퇴골 길이(FL)인 태아 생체 매개변수의 측정입니다. 이러한 표준 평면은 Salomon et al.에 의해 처음 설명된 품질 표준에 따라 취해집니다. ISUOG(International Society of Ultrasound in Obstetrics and Gynecology)의 지침으로 사용됩니다. 이들로부터 추출된 생체 파라미터는 세계 최초의 주산기 태아 사망 원인인 태아 성장 제한(FGR)을 진단하는 데 필수적입니다.

이러한 측정 및 이미지 품질 평가는 소노그래퍼 또는 시험을 수행하는 의사의 기술 수준에 따라 관찰자 간 변동이 발생하기 쉬운 시간 소모적인 작업입니다.

양수(AF) 용적 평가는 또한 증가된 태아 사망률과 관련된 올리고 또는 양수과다의 진단을 허용하는 일상적인 스크리닝 스캔에서 필수적인 단계입니다.

AF는 두 가지 주요 "반정량적" 기술인 양수 지수(AFI)와 가장 깊은 단일 주머니(SDP)로 측정됩니다. 후자는 사망률이나 이환율에 영향을 미치지 않고 양막과소진단의 과잉진단을 낮추고 소노그래퍼가 수행하기 더 쉽기 때문에 더 구체적입니다(AFI 기술의 경우 1회 측정 대 4회 측정). 그러나 AF 평가는 여전히 시간이 많이 걸리고 재현성이 떨어지는 작업입니다.

인공 지능(AI) 및 딥 러닝(DL) 도구를 사용하여 이러한 생체 측정 및 AF 볼륨 평가를 자동화하려는 시도가 있었습니다. 연구에서는 HC, AC 및 FL 측정의 경우 최대 98%, 95%, 93%의 주사위 점수 계수와 AFI 측정의 경우 89% DSC에 도달하는 "인실리코(in silico)" 탁월한 결과를 보여주었습니다. 그러나 모두 전향적으로 획득한 영상에 대한 검증 없이 후향적으로 수행하였다.

리뷰와 전문가들은 실제 데이터로 AI 도구의 성능을 평가하기 위해 동료 검토를 거친 양질의 전향적 연구의 필요성을 강조했습니다. 그들의 성능은 더 나빠질 것으로 예상되며 임상 작업 흐름에서 더 잘 사용됨을 반영합니다.

이 연구는 후향적으로 획득한 데이터에서 HC, BPD, AC 및 FL 측정 및 AF 볼륨 평가를 자동화하는 DL 모델을 개발하고 예상되는 실제 태아 US 스캔에 대한 임상의 및 전문가의 성능을 테스트하는 것을 목표로 합니다.