Desenvolvimento e teste de modelos de IA para biometria fetal e avaliação do volume amniótico em ultrassom fetal.

A ultrassonografia fetal de rotina durante o segundo trimestre da gravidez é uma modalidade de triagem não invasiva e de baixo custo que comprovadamente reduz a mortalidade fetal em até 20%. Um dos elementos críticos desse exame é a medição dos parâmetros biométricos fetais, que são o perímetro cefálico (CC), diâmetro biparietal (DBP), circunferência abdominal (CA) e comprimento do fêmur (CF) medidos em planos padrão de biometria. Esses planos padrão são obtidos de acordo com os padrões de qualidade descritos pela primeira vez por Salomon et al. e usado como as diretrizes da Sociedade Internacional de Ultrassom em Obstetrícia e Ginecologia (ISUOG). Os parâmetros biométricos extraídos deles são essenciais para diagnosticar a restrição do crescimento fetal (RCF), a primeira causa mundial de mortalidade fetal perinatal.

Essas medições e avaliação da qualidade da imagem são tarefas demoradas e propensas à variabilidade inter e intraobservador, dependendo do nível de habilidade do ultrassonografista ou do médico que realiza o exame.

A avaliação do volume de líquido amniótico (FA) também é uma etapa essencial nos exames de triagem de rotina, permitindo o diagnóstico de oligo ou hidrâmnio, ambos associados a taxas aumentadas de mortalidade fetal.

A FA é medida por duas técnicas "semi-quantitativas" principais: o Índice de Líquido Amniótico (AFI) e a bolsa mais profunda (SDP). Este último é mais específico, pois diminui o sobrediagnóstico de oligoâmnio sem qualquer impacto na mortalidade ou morbidade e é mais fácil de realizar para o ultrassonografista (apenas uma medição contra quatro no caso da técnica AFI). No entanto, a avaliação da FA continua sendo uma tarefa demorada e pouco reprodutível.

Tentativas de automatizar tais medições biométricas e avaliação de volume AF foram feitas usando ferramentas de Inteligência Artificial (IA) e aprendizado profundo (DL). Os estudos mostraram excelentes resultados "in silico", atingindo até 98%, 95%, 93% de coeficientes de pontuação de dados para medidas de HC, AC e FL e 89% DSC para medidas de AFI. No entanto, todos eles foram conduzidos retrospectivamente sem validação em imagens adquiridas prospectivamente.

Avaliações e especialistas enfatizaram a necessidade de estudos prospectivos de qualidade revisados ​​por pares para avaliar o desempenho das ferramentas de IA com dados do mundo real. Espera-se que seu desempenho seja pior e reflita melhor seu uso no fluxo de trabalho clínico.

Este estudo tem como objetivo desenvolver modelos DL para automatizar medições de HC, BPD, AC e FL e avaliação de volume de AF a partir de dados adquiridos retrospectivamente e testar seus desempenhos com os de médicos e especialistas em exames prospectivos de US fetal no mundo real.