Ontwikkelen en testen van AI-modellen voor foetale biometrie en vruchtwatervolumebepaling in foetale echografie.

Routinematige echografie van de foetus tijdens het tweede trimester van de zwangerschap is een goedkope, niet-invasieve screeningsmodaliteit waarvan is bewezen dat het de foetale sterfte met tot wel 20% verlaagt. Een van de kritieke elementen van dit onderzoek is de meting van foetale biometrische parameters, namelijk de hoofdomtrek (HC), bipariëtale diameter (BPD), buikomtrek (AC) en dijbeenlengte (FL) gemeten op biometrische standaardvlakken. Die standaardvliegtuigen worden genomen volgens kwaliteitsnormen die voor het eerst zijn beschreven door Salomon et al. en gebruikt als de richtlijnen van de International Society of Ultrasound in Obstetrics and Gynecology (ISUOG). De biometrische parameters die daaruit worden gehaald, zijn essentieel voor het diagnosticeren van foetale groeivertraging (FGR), 's werelds eerste oorzaak van perinatale foetale sterfte.

Dergelijke metingen en beoordeling van de beeldkwaliteit zijn tijdrovende taken die gevoelig zijn voor inter- en intraobserver-variabiliteit, afhankelijk van het vaardigheidsniveau van de echoscopist of de arts die het onderzoek uitvoert.

Beoordeling van het volume van het vruchtwater (AF) is ook een essentiële stap in routinematige screeningscans die de diagnose van oligo of hydramnion mogelijk maken, beide geassocieerd met verhoogde foetale sterftecijfers.

De AF wordt gemeten door twee belangrijke "semi-kwantitatieve" technieken: Amniotic Fluid Index (AFI) en de single deepest pocket (SDP). Dit laatste is specifieker omdat het de overdiagnose van oligo-amnion verlaagt zonder enige impact op mortaliteit of morbiditeit en gemakkelijker uit te voeren is voor de echoscopist (slechts één meting versus vier in het geval van de AFI-techniek). AF-beoordeling blijft echter een tijdrovende en slecht reproduceerbare taak.

Pogingen om dergelijke biometrische metingen en AF-volumebeoordeling te automatiseren zijn gedaan met behulp van kunstmatige intelligentie (AI) en deep learning (DL) tools. Studies toonden uitstekende resultaten "in silico", tot 98%, 95%, 93% dobbelsteenscorecoëfficiënten voor HC-, AC- en FL-metingen en 89% DSC voor AFI-metingen. Ze werden echter allemaal retrospectief uitgevoerd zonder validatie op prospectief verkregen beelden.

Recensies en experts hebben de noodzaak benadrukt van hoogwaardige, door vakgenoten beoordeelde prospectieve studies om de prestaties van AI-tools te beoordelen met gegevens uit de echte wereld. Verwacht wordt dat hun prestaties slechter zullen zijn en hun gebruik in de klinische workflow beter weerspiegelen.

Deze studie heeft tot doel DL-modellen te ontwikkelen om HC-, BPD-, AC- en FL-metingen en AF-volumebeoordeling te automatiseren op basis van retrospectief verkregen gegevens en hun prestaties te testen op die van clinici en experts op toekomstige real-world foetale US-scans.