Interpretação da Ecocardiografia Fetal por Inteligência Artificial (LIFE)

Introdução:

Em todo o mundo, a Doença Cardíaca Congênita (DCC) é a malformação fetal mais encontrada. A incidência de doença cardíaca congênita parece ser de cerca de 1 por 100 bebês nascidos vivos e é ainda maior em bebês que morrem antes do termo (1). A ecocardiografia fetal (EF) evoluiu da mera descrição das anormalidades anatômicas do coração para a avaliação quantitativa de sua função, dimensão e forma (2). Atualmente, a FE é realizada manualmente pelo ultrassonografista durante a investigação do segundo trimestre. No entanto, apenas metade dos bebês operados no primeiro ano de vida tem detecção pré-natal (3), o que explica a necessidade de aprimoramento da avaliação cardíaca fetal. Muitos estudos mostraram a presença de uma discrepância significativa entre o diagnóstico pré e pós-natal da DCC obtido por uma FE realizada manualmente (4, 5).

Os Sistemas Inteligentes de Apoio à Decisão (SIs) são frameworks que possuem a capacidade de coletar e analisar dados, comunicar-se com outros sistemas, aprender com a experiência e adaptar-se a novos casos. Tecnicamente falando, os SIs são máquinas avançadas que observam e respondem ao ambiente ao qual foram expostos usando Inteligência Artificial (IA) (6). Este projeto visa promover uma fertilização cruzada de FE e ISs, o que proporcionará um enorme potencial no desenvolvimento de novas teorias fundamentais e métodos práticos que ultrapassem os limites das disciplinas envolvidas e levem a novos métodos impactantes que auxiliam a prática e a descoberta médica.

Métodos e análises:

O estudo a ser realizado é um estudo transversal dividido em duas partes distintas: a parte de treinamento das abordagens de aprendizado de máquina dentro da estrutura proposta e a fase de teste em quadros inéditos e, eventualmente, em varreduras de vídeo reais. Todas as mulheres grávidas no primeiro e segundo trimestre são consideradas elegíveis para o estudo. As mulheres grávidas serão admitidas para exame e monitoramento de ultrassom de rotina, pela primeira vez entre 12-13+6 semanas de gravidez (para o exame de anomalia do primeiro trimestre) e / ou entre 18-24 semanas de gravidez (para o exame de anomalia do segundo trimestre) . A avaliação bidimensional de cada coração fetal incluirá uma varredura cine loop obtida a partir do plano de visão de quatro câmaras, movendo o transdutor cranialmente em direção ao mediastino superior, permitindo a visualização dos seguintes planos: visão de quatro câmaras, esquerda e direita tratos de saída ventriculares, três vasos e visualização da traqueia. Todos os arquivos de vídeo salvos dos dispositivos dos EUA serão coletados na nuvem. Cada varredura de ultrassom será dividida em quadros pelo departamento OB-GYN/Cardio (OBC). O departamento de Ciência de Dados / TI (DSIT) processará os quadros para obedecer aos regulamentos de anonimização. Para a identificação das principais características, os quadros serão agrupados pelo OBC nas classes que representam as vistas planas de cada trimestre. O DSIT tentará diferentes algoritmos pré-treinados de DL de última geração no conjunto de dados com visualizações planas. Todas as entradas DL recentes serão adaptadas e testadas nos dois cenários atuais de identificação de visão chave e segmentação semântica. Seus resultados de desempenho (sua previsão contra a verdade marcada pelo OBC) serão analisados ​​em comparação por meio de um teste estatístico. O equilíbrio precisão-velocidade será levado em consideração no ranqueamento das abordagens, já que o sistema finalmente atuará em um vídeo. Assim que um novo vídeo estiver disponível na prática, o modelo escolhido para a respectiva tarefa destacará a característica principal ou a região segmentada no vídeo e também fornecerá um grau de confiança em seu reconhecimento. Os médicos do OBC validarão todas as descobertas intermediárias no nível do quadro, bem como o significado da rotulagem e segmentação do vídeo. Os resultados do modelo nos vídeos do primeiro e segundo trimestre do mesmo paciente serão comparados para avaliar a discrepância.

ANÁLISE DE IA (INTELIGÊNCIA ARTIFICIAL)

Construção do banco de dados:

O conjunto de dados para análise de IA será construído a partir de imagens extraídas de ultrassonografias realizadas no plano apical. Consequentemente, um problema de classificação com quatro categorias correspondentes às visões-chave dadas é considerado. Uma outra classe adicional é indicada e preenchida com imagens de outros quadros sem importância da varredura.

Pré-processamento de imagens para exames cardíacos fetais:

A primeira etapa é representada pela extração realizada convertendo a imagem em escala de cinza e aplicando um limiar. Desta forma, o ruído de fundo é descartado. Para eliminar as pequenas pontes entre a área de interesse e outras áreas da imagem, a erosão é aplicada usando um kernel de 10x10 pixels. Após a erosão, além da área de interesse, várias “ilhas” menores podem aparecer na imagem. A zona de interesse tem duas propriedades que a distinguem das restantes ilhas: cobre sempre a zona central da imagem e tem a área mais alta. Para eliminar as ilhas não relevantes, primeiro são identificados os pontos que cobrem a área central da imagem e, em seguida, o ponto com a maior cobertura de superfície é selecionado. O ponto detectado é preenchido, então a dimensão é restaurada aplicando um algoritmo de dilatação, usando o mesmo kernel de 10x10 pixels. Para evitar a perda de detalhes finos ao redor do ponto dilatado, seu casco convexo é desenhado e preenchido. No final, o ponto gerado é usado como uma máscara para extrair a área de interesse da imagem original.

Resultados experimentais:

Três variantes da coleta de dados são consideradas: as amostras originais de dupla face (padrão + Doppler), as culturas únicas Doppler e pares de imagens mescladas de culturas padrão e Doppler resultantes.

As arquiteturas ResNet18 e ResNet50, com configurações semelhantes, são aplicadas para cada conjunto de dados por vez para avaliar a adequação do processamento preliminar.

Como as coleções de dados com imagens recortadas contêm representantes de todas as imagens iniciais, todos os conjuntos possuem o mesmo número de itens e estrutura para cada classe, bem como para as separações de treinamento, validação e teste. Para uma avaliação objetiva, todas as imagens extraídas de um paciente estão dentro da mesma separação do conjunto de dados, ou seja, treinamento, validação ou teste. Isso ocorre mesmo se houver vários arquivos de vídeo para um paciente feitos em momentos diferentes (por exemplo, semanas de intervalo) no tempo.

As imagens são redimensionadas para 224 × 224 pixels. A política 1cycle é utilizada e a implementação é feita utilizando as bibliotecas fastai e PyTorch. Os pesos iniciais do modelo são obtidos por meio do aprendizado de transferência, conforme pré-treinado no conjunto de dados ImageNet. As opções padrão para aumentos de dados são usadas. Existem 2 etapas envolvidas no processo de treinamento, cada uma contendo apenas 10 épocas. Na primeira sessão de treinamento, todas as camadas são congeladas, exceto as camadas de normalização em lote e a cabeça do modelo. Sua escolha controla como os pesos da rede são ajustados em relação ao gradiente de perdas e a seleção de um valor adequado é essencial para que o modelo converja para um mínimo local e, assim, alcance maior precisão em uma quantidade menor de épocas. O tamanho do lote é igual a 32. O modelo que atinge a maior precisão nos dados de validação é aplicado no conjunto de teste. Para cada uma das 2 arquiteturas e para cada conjunto de dados separado, são feitas 5 aplicações repetidas e os resultados relatados para cada caso são calculados como a média dos 5 resultados. As corridas são feitas no Google Colab, usando Tesla T4 para GPU. B. A abordagem de mapa de ativação de classe de gradiente bem-sucedida (Grad-CAM) é usada para delinear as decisões do modelo para a rotulagem de Aorta e Outros para cada conjunto de dados. Os gráficos são derivados das 5 execuções que são calculadas para cada configuração distinta (arquitetura, conjunto de dados).