如何使用 AI 診斷胎兒超聲圖像中的出生缺陷

在由 uOttawa 醫(yī)學院的 Mark Walker 博士領(lǐng)導的一項新的概念驗證研究中，研究人員正在率先使用基于 AI 的獨特深度學習模型作為快速準確讀取超聲圖像的輔助工具。

這是一項開創(chuàng)性的工作，因為盡管深度學習模型在解釋醫(yī)學圖像和檢測疾病方面變得越來越流行，但弄清楚其如何在產(chǎn)科超聲檢查中發(fā)揮作用仍處于起步階段。在該領(lǐng)域發(fā)表的人工智能研究很少。

該團隊研究的目標是展示深度學習架構(gòu)的潛力，以支持從妊娠早期超聲掃描中早期和可靠地識別囊性水瘤。囊性水瘤是一種胚胎疾病，會導致淋巴血管系統(tǒng)異常發(fā)育。這是一種罕見且可能危及生命的疾病，會導致頭部和頸部周圍出現(xiàn)液體腫脹。

出生缺陷通常可以在產(chǎn)前超聲檢查中很容易地診斷出來，但沃克博士和他的研究小組想要測試人工智能驅(qū)動的模式識別能在多大程度上完成這項工作。研究結(jié)果很有希望。

使用在渥太華醫(yī)院追溯收集的近 300 個胎兒超聲數(shù)據(jù)集，使用 DenseNet 模型分析圖像，通過計算靈敏度、特異性和其他測量值，與正常對照組相比，正確識別囊性水瘤病例。還生成了梯度類激活熱圖——可視化圖像中的像素——以評估模型的可解釋性。整體模型準確率為 93%。

“即使只有少量訓練圖像，該模型也非常出色。因此，潛在地，我們展示的是在超聲領(lǐng)域，我們能夠使用相同的工具進行圖像分類和識別，具有高靈敏度和特異性， ”沃克博士說。

該研究結(jié)果最近發(fā)表在同行評審的開放獲取期刊PLOS ONE上。

由 uOttawa 領(lǐng)導的研究小組對這類研究的發(fā)展方向寄予厚望。隨著進一步的發(fā)展，包括在大型多站點數(shù)據(jù)集中進行測試，該團隊相信他們的方法可能適用于通常通過超聲檢查識別的其他胎兒異常。

沃克博士表示，該小組的目標是建立一個國際聯(lián)盟，將產(chǎn)科超聲圖像上傳到“云”——這是使用遠程服務(wù)器存儲數(shù)據(jù)并為大量用戶提供計算服務(wù)的委婉說法。這最終可以幫助中低收入國家的醫(yī)生實現(xiàn)云驅(qū)動的解釋和診斷。

標簽：