Utvikle og teste AI-modeller for fosterbiometri og amnionvolumvurdering i fosterultralydskanninger.

Rutinemessig føtal ultralydskanning i løpet av andre trimester av svangerskapet er en rimelig, ikke-invasiv screeningmodalitet som har vist seg å senke fosterdødeligheten med opptil 20 %. Et av de kritiske elementene i denne undersøkelsen er måling av fosterets biometriske parametere, som er hodeomkretsen (HC), biparietal diameter (BPD), abdominal omkrets (AC) og lårbenslengde (FL) målt på standardplan for biometri. Disse standardflyene er tatt i henhold til kvalitetsstandarder først beskrevet av Salomon et al. og brukes som retningslinjer for International Society of Ultrasound in Obstetrics and Gynecology (ISUOG). De biometriske parametrene ekstrahert fra dem er avgjørende for å diagnostisere fostervekstbegrensning (FGR), verdens første årsak til perinatal fosterdødelighet.

Slike målinger og bildekvalitetsvurdering er tidkrevende oppgaver som er utsatt for inter- og intraobservatørvariabilitet avhengig av ferdighetsnivået til sonografen eller legen som utfører undersøkelsen.

Vurdering av fostervannsvolum (AF) er også et viktig trinn i rutinemessige screeningsskanninger som tillater diagnostisering av oligo eller hydramnios, begge assosiert med økt fosterdødelighet.

AF måles ved hjelp av to "semi-kvantitative" hovedteknikker: Amniotic Fluid Index (AFI) og den dypeste enkeltlommen (SDP). Sistnevnte er mer spesifikk ettersom den senker overdiagnostiseringen av oligo-amnion uten noen innvirkning på dødelighet eller sykelighet og er lettere å utføre for sonografen (kun én måling mot fire i tilfellet med AFI-teknikken). AF-vurdering er imidlertid fortsatt en tidkrevende og dårlig reproduserbar oppgave.

Forsøk på å automatisere slike biometriske målinger og AF-volumvurdering har blitt gjort ved hjelp av kunstig intelligens (AI) og dyp læring (DL)-verktøy. Studier viste utmerkede resultater "i silico", og nådde opptil 98 %, 95 %, 93 % terningpoengkoeffisienter for HC-, AC- og FL-målinger og 89 % DSC for AFI-målinger. Imidlertid ble de alle utført retrospektivt uten validering på potensielt ervervede bilder.

Anmeldelser og eksperter har understreket behovet for fagfellevurderte prospektive studier av høy kvalitet for å vurdere ytelsen til AI-verktøy med virkelige data. Ytelsen deres forventes å være dårligere og reflektere bedre bruken deres i den kliniske arbeidsflyten.

Denne studien tar sikte på å utvikle DL-modeller for å automatisere HC-, BPD-, AC- og FL-målinger og AF-volumvurdering fra retrospektivt innhentede data og teste ytelsen til klinikere og eksperter på potensielle føtale US-skanninger i den virkelige verden.