Tolkning av føtal ekkokardiografi av kunstig intelligens (LIFE)

Introduksjon:

På verdensbasis er medfødt hjertesykdom (CHD) den mest forekommende fostermisdannelsen. Forekomsten av medfødt hjertesykdom ser ut til å være rundt 1 av 100 levendefødte spedbarn og er enda høyere hos spedbarn som dør før termin (1). Føtal ekkokardiografi (FE) har utviklet seg fra bare beskrivelsen av hjertets anatomiske abnormiteter mot kvantitativ vurdering av dets funksjon, dimensjon og form (2). For tiden utføres FE manuelt av sonografen under andre trimesterundersøkelse. Imidlertid har bare halvparten av babyene som gjennomgår operasjon i løpet av det første leveåret en prenatal påvisning (3), noe som forklarer behovet for en forbedring av fosterets hjertevurdering. Mange studier viste tilstedeværelsen av en signifikant avvik mellom pre- og postnatal diagnose av CHD oppnådd ved en manuelt utført FE (4, 5).

Intelligente Decision Support Systems (IS) er rammeverk som har kapasitet til å samle og analysere data, kommunisere med andre systemer, lære av erfaring og tilpasse seg nye saker. Teknisk sett er IS-er avanserte maskiner som observerer og reagerer på miljøet de har blitt utsatt for ved hjelp av kunstig intelligens (AI) (6). Dette prosjektet har som mål å fremme en kryssbefruktning av FE og IS-er, som vil gi et enormt potensial i å utvikle nye grunnleggende teorier og praktiske metoder som hever seg over grensene for de involverte disiplinene og fører til nye slagkraftige metoder som hjelper medisinsk praksis og oppdagelse.

Metoder og analyse:

Studien som skal utføres er en tverrsnittsstudie delt inn i to atskilte deler: opplæringsdelen av maskinlæringstilnærmingene innenfor det foreslåtte rammeverket og testfasen på tidligere usett rammer og til slutt på faktiske videoskanninger. Alle gravide kvinner i første og andre trimester anses som kvalifisert for studien. Gravide kvinner vil bli tatt opp for rutinemessig ultralydundersøkelse og overvåking, første gang mellom 12-13+6 uker av svangerskapet (for første trimester avviksskanning) og/eller mellom 18-24 uker av svangerskapet (for andre trimester avviksskanning) . Todimensjonal evaluering av hvert fosterhjerte vil inkludere et filmløkke-sveip oppnådd fra visningsplanet fra firekammeret ved å bevege transduseren kranialt mot øvre mediastinum, noe som muliggjør visualisering av følgende plan: firekammervisning, venstre og høyre ventrikulære utstrømningskanaler, tre kar og luftrørsutsikt. Alle videofiler lagret fra amerikanske enheter vil bli samlet inn i skyen. Hvert ultralydsveip vil bli delt inn i rammer av OB-GYN/Cardio (OBC) avdelingen. Datavitenskap/IT-avdelingen (DSIT) vil behandle rammene for å følge anonymiseringsforskriften. For nøkkelfunksjonsidentifikasjon vil rammene bli gruppert av OBC i klassene som representerer planvisningene for hvert trimester. DSIT vil prøve forskjellige state-of-the-art DL forhåndstrente algoritmer på datasettet med planvisninger. Alle de siste DL-oppføringene vil bli skreddersydd og testet på de gjeldende to scenariene med nøkkelvisningsidentifikasjon og semantisk segmentering. Resultatene deres (deres prediksjon mot grunnsannheten merket av OBC) vil bli analysert i sammenligning ved hjelp av en statistisk test. Nøyaktighet-hastighetslikevekten vil bli tatt i betraktning i rangeringen av tilnærmingene, siden systemet endelig vil prestere på en video. Når en ny video blir tilgjengelig i praksis, vil modellen som er valgt for den respektive oppgaven fremheve nøkkelfunksjonen eller den segmenterte regionen på video og også gi en viss grad av tillit til gjenkjennelsen. OBC-legene vil validere alle mellomliggende funn på rammenivå, så vel som meningsfullheten til videomerkingen og segmenteringen. Resultatene av modellen på videoer fra første og andre trimester av samme pasient vil bli sammenlignet for å vurdere avviket.

AI (ARTIFICIAL INTELLIGENS) ANALYSE

Databasekonstruksjon:

Datasettet for AI-analyse vil bli konstruert fra bilder hentet fra ultralydsskanninger tatt i det apikale planet. Følgelig vurderes et klassifiseringsproblem med fire kategorier som tilsvarer de gitte nøkkelsynene. En ekstra annen klasse blir utnevnt og fylt med bilder av andre uviktige rammer fra skanningen.

Bildeforbehandling for fosterhjerteskanninger:

Det første trinnet er representert ved utvinningen utført ved å konvertere bildet til gråskala og bruke en terskel. På denne måten blir bakgrunnsstøyen forkastet. For å eliminere de små broene mellom interesseområdet og andre områder i bildet, påføres erosjon ved hjelp av en 10x10 pikslers kjerne. Etter erosjon kan det i tillegg til interesseområdet dukke opp flere mindre "øyer" i bildet. Interessesonen har to egenskaper som skiller den fra resten av øyene: den dekker alltid det sentrale området av bildet og den har det høyeste området. For å eliminere de ikke-relevante øyene, identifiseres først flekkene som dekker det sentrale området av bildet, deretter velges punktet med høyest overflatedekning. Det oppdagede punktet fylles ut, deretter gjenopprettes dimensjonen ved å bruke en utvidelsesalgoritme, med samme kjerne på 10x10 piksler. For å unngå å miste de fine detaljene rundt den utvidede flekken, trekkes og fylles det konvekse skroget. Til slutt blir det genererte punktet brukt som en maske for å trekke ut interesseområdet fra originalbildet.

Eksperimentelle resultater:

Tre varianter av datainnsamlingen vurderes: de originale dobbeltsidige (standard + Doppler) prøvene, Doppler enkeltbeskjæringer og sammenslåtte bildepar av resulterende standard- og Doppleravlinger.

ResNet18- og ResNet50-arkitekturene, med lignende oppsett, brukes for hvert datasett etter tur for å evaluere egnetheten til den foreløpige behandlingen.

Ettersom datasamlingene med beskårne bilder inneholder representanter fra alle de innledende bildene, har alle settene dermed samme antall elementer og struktur per hver klasse, samt for opplæringen, valideringen og prøveseparasjonene. For en objektiv evaluering ligger alle bilder som er hentet fra en pasient innenfor samme separasjon av datasettet, det vil si trening, validering eller test. Dette skjer selv om det var flere videofiler for en pasient laget på forskjellige tidspunkter (f. ukers mellomrom) i tid.

Bildene endres til 224 × 224 piksler. 1cycle policyen brukes og implementeringen gjøres ved hjelp av fastai og PyTorch biblioteker. De innledende modellvektene tas gjennom overføringslæring, som forhåndsopplært på ImageNet-datasettet. Standardalternativene for dataforstørrelser brukes. Det er 2 trinn involvert i treningsprosessen, som hver inneholder kun 10 epoker. Innen den første treningsøkten fryses alle lagene, bortsett fra batchnormaliseringslagene og modellens hode. Valget styrer hvordan vektene til nettverket justeres med hensyn til tapsgradienten, og å velge en riktig verdi er avgjørende for å få modellen til å konvergere til et lokalt minimum, og dermed oppnå forbedret nøyaktighet i et mindre antall epoker. Batchstørrelsen er tatt lik 32. Modellen som treffer høyest nøyaktighet på valideringsdataene brukes på testsettet. For hver av de 2 arkitekturene og for hvert separate datasett gjøres det 5 gjentatte applikasjoner og de rapporterte resultatene for hvert tilfelle beregnes som gjennomsnittet over de 5 resultatene. Kjøringene er laget i Google Colab, med Tesla T4 for GPU. B. Den vellykkede gradientklasseaktiveringskart (Grad-CAM)-tilnærmingen brukes for å skissere beslutningene til modellen for Aorta og Other-merking for hvert datasett. Plottene er utledet fra de 5 kjøringene som er beregnet for hvert distinkte (arkitektur, datasett) oppsett.