通过机器学习实现更快、更可靠的孕龄超声评估

胎儿超声检查是产前护理的一个重要部分 , 可以用来估计胎龄(GA) 。 准确的GA评估对于在整个怀孕期间提供适当的产前护理和识别胎儿生长障碍等并发症非常重要 。 由于从手动胎儿生物测量(头部、腹部、股骨)推导出的GA是依赖于操作者的 , 而且很耗时 , 所以已经有很多研究集中在使用人工智能(AI)模型来估计使用标准生物测量图像的GA , 但这些AI系统的准确性和可靠性还有待提高 , 以便广泛采用 。 为了提高GA估计值 , 在不显著改变医疗机构工作流程的情况下 , 我们利用人工智能来解释标准的平面超声图像以及''飞向''超声视频 , 这是在采集静止图像之前作为护理标准的一部分自动记录的5-10s视频 。 我们开发并验证了三个人工智能模型:一个使用标准平面图像的图像模型 , 一个使用飞向视频的视频模型 , 以及一个集合模型(结合图像和视频) 。 三种模型在统计学上都优于由专业超声技师得出的基于标准胎儿生物测量的GA估计值 , 在由404名参与者组成的测试集上 , 集合模型与临床标准胎儿生物测量相比 , 平均绝对误差(MAE)最低(平均差异:-1.51$/pm$3.96天 , 95%CI[-1.9 , -1.1]) 。 我们表明 , 我们的模型在对GA来说较小的胎儿上比标准生物测量法有更大的优势 。 我们的人工智能模型有可能使训练有素的操作者以更高的准确度来估计GA , 同时减少所需的时间和用户在测量采集中的变异性 。
《Enablingfasterandmorereliablesonographicassessmentofgestationalagethroughmachinelearning》
通过机器学习实现更快、更可靠的孕龄超声评估】论文地址:http://arxiv.org/abs/2203.11903v1
通过机器学习实现更快、更可靠的孕龄超声评估
文章图片
通过机器学习实现更快、更可靠的孕龄超声评估
文章图片
通过机器学习实现更快、更可靠的孕龄超声评估
文章图片
通过机器学习实现更快、更可靠的孕龄超声评估
文章图片
通过机器学习实现更快、更可靠的孕龄超声评估
文章图片
通过机器学习实现更快、更可靠的孕龄超声评估
文章图片
通过机器学习实现更快、更可靠的孕龄超声评估
文章图片