通过机器学习实现更快更可靠的孕龄超声评估
机器学习
2022-03-23 v1 计算机视觉与模式识别
图像与视频处理
摘要
胎儿超声是产前保健的重要组成部分，可用于估算孕龄（GA）。准确的GA评估对于在整个孕期提供适当的产前保健以及识别胎儿生长障碍等并发症十分重要。由于通过手动胎儿生物测量（头、腹、股骨）推导GA依赖于操作者且耗时，已有许多研究致力于使用人工智能（AI）模型基于标准生物测量图像估算GA，但这些AI系统在广泛采用前其准确性与可靠性仍有提升空间。为在不显著改变操作者流程的情况下改进GA估算，我们利用AI解读标准切面超声图像以及“飞向”（fly-to）超声视频——后者为在捕获静态图像前作为标准护理一部分自动录制的5–10秒视频。我们开发并验证了三个AI模型：使用标准切面图像的图像模型、使用fly-to视频的视频模型，以及融合图像与视频的集成模型。三者均在统计上优于由专家超声医师得出的基于标准胎儿生物测量的GA估算；在由404名参与者组成的测试集上，集成模型相较于临床标准胎儿生物测量具有最低的平均绝对误差（MAE）（均值差：-1.51 3.96天，95% CI [-1.9, -1.1]）。我们表明，对于小于相应孕龄的胎儿，我们的模型比标准生物测量具有更显著的性能优势。我们的AI模型有潜力使受过培训的操作者以更高准确性估算GA，同时减少所需时间与测量采集中的用户差异。
引用
@article{arxiv.2203.11903,
title = {Enabling faster and more reliable sonographic assessment of gestational age through machine learning},
author = {Chace Lee and Angelica Willis and Christina Chen and Marcin Sieniek and Akib Uddin and Jonny Wong and Rory Pilgrim and Katherine Chou and Daniel Tse and Shravya Shetty and Ryan G. Gomes},
journal= {arXiv preprint arXiv:2203.11903},
year = {2022}
}