Opracowywanie i testowanie modeli AI do oceny biometrii płodu i objętości owodni w badaniach ultrasonograficznych płodu.

Rutynowe badanie ultrasonograficzne płodu w drugim trymestrze ciąży jest tanią, nieinwazyjną metodą badań przesiewowych, która, jak udowodniono, zmniejsza śmiertelność płodów nawet o 20%. Jednym z krytycznych elementów tego badania jest pomiar parametrów biometrycznych płodu, którymi są obwód głowy (HC), średnica dwuciemieniowa (BPD), obwód brzucha (AC) oraz długość kości udowej (FL) mierzone na standardowych płaszczyznach biometrycznych. Te standardowe płaszczyzny są pobierane zgodnie ze standardami jakości opisanymi po raz pierwszy przez Salomona i in. i stosowane jako wytyczne Międzynarodowego Towarzystwa Ultrasonografii w Położnictwie i Ginekologii (ISUOG). Wyodrębnione z nich parametry biometryczne są niezbędne do diagnozowania ograniczenia wzrostu płodu (FGR), pierwszej na świecie przyczyny okołoporodowej śmiertelności płodów.

Takie pomiary i ocena jakości obrazu są czasochłonnymi zadaniami, które są podatne na zmienność między obserwatorami i między obserwatorami w zależności od poziomu umiejętności ultrasonografu lub lekarza przeprowadzającego badanie.

Ocena objętości płynu owodniowego (AF) jest również niezbędnym krokiem w rutynowych badaniach przesiewowych, pozwalającym na rozpoznanie skąpowodzie lub wodzika, które wiążą się ze zwiększoną śmiertelnością płodów.

Migotanie przedsionków mierzy się dwiema głównymi technikami „półilościowymi”: wskaźnikiem płynu owodniowego (AFI) i pojedynczą najgłębszą kieszonką (SDP). Ta druga metoda jest bardziej specyficzna, ponieważ zmniejsza ryzyko nadrozpoznawalności oligoamniosu bez wpływu na śmiertelność lub chorobowość i jest łatwiejsza do wykonania dla ultrasonografa (tylko jeden pomiar w porównaniu z czterema w przypadku techniki AFI). Jednak ocena AF pozostaje zadaniem czasochłonnym i słabo powtarzalnym.

Próby zautomatyzowania takich pomiarów biometrycznych i oceny objętości AF zostały podjęte przy użyciu narzędzi sztucznej inteligencji (AI) i głębokiego uczenia się (DL). Badania wykazały doskonałe wyniki „in silico”, sięgające 98%, 95%, 93% współczynników kostek dla pomiarów HC, AC i FL oraz 89% DSC dla pomiarów AFI. Jednak wszystkie zostały przeprowadzone retrospektywnie bez walidacji prospektywnie uzyskanych obrazów.

Recenzenci i eksperci podkreślili potrzebę wysokiej jakości recenzowanych badań prospektywnych w celu oceny wydajności narzędzi AI na podstawie rzeczywistych danych. Oczekuje się, że ich wydajność będzie gorsza i będzie lepiej odzwierciedlać ich zastosowanie w przebiegu pracy klinicznej.

Niniejsze badanie ma na celu opracowanie modeli DL w celu zautomatyzowania pomiarów HC, BPD, AC i FL oraz oceny objętości AF na podstawie retrospektywnie uzyskanych danych i przetestowanie ich działania z wynikami klinicystów i ekspertów na temat prospektywnych rzeczywistych skanów USG płodu.