کاربرد هوش مصنوعی در اسکن ناهنجاری مامایی: قلب و مغز
به گزارش خبرنگار «نبض فناوری» اسکن اولتراسوند اولین ابزاری است که متخصصان زنان و زایمان در ارزیابی جنین از آن استفاده میکنند، اما گاهی اوقات ممکن است به دلیل تحرک یا موقعیت جنین، ضخامت بیش از حد دیواره شکم مادر یا وجود اسکارهای بعد از جراحی بر روی دیواره شکم مادر محدود شود. هوش مصنوعی (AI) قبلاً به طور مؤثر برای اندازه گیری پارامترهای بیومتریک، تشخیص خودکار سطوح استاندارد ارزیابی اولتراسوند جنین و برای تشخیص بیماری استفاده شده است که به روشهای تصویربرداری مرسوم کمک میکند. استفاده از اطلاعات، تصاویر اسکن اولتراسوند، و یک برنامه یادگیری ماشینی، الگوریتمی را ایجاد میکند که میتواند با کاهش حجم کار، کاهش مدت زمان معاینه و افزایش قابلیت تشخیص صحیح، به ارائهدهندگان مراقبتهای بهداشتی کمک کند. گسترش قابل توجه اخیر در استفاده از سوابق پزشکی الکترونیکی و تصویربرداری تشخیصی با موفقیت عظیم الگوریتمهای یادگیری ماشین در وظایف شناسایی تصویر همزمان است.
مقدمه
ناهنجاریهای مادرزادی جنین، که باعث نرخ بالای مرگ و میر نوزادان در سراسر جهان میشود، به عنوان ناهنجاریهای ساختاری جنین در اسکنهای سونوگرافی استاندارد مورفولوژی، که شامل سطوح استاندارد اندامها یا قسمتهای بدن قابل مشاهده است، شناسایی میشوند. یک ناهنجاری ساختاری جنین را میتوان در سونوگرافی در حدود 3 درصد از بارداریها شناسایی کرد که میتواند از یک نقص جزئی تا ناهنجاریهای شدید چند سیستمی متغیر باشد. اختلالات مادرزادی قلب (CHDs) به طور فزایندهای در دوران بارداری در کشورهای توسعه یافته تشخیص داده میشود. تشخیص پیش از تولد CHDs در مواردی با ناهنجاریهای شدید، مانند سندرم هیپوپلاستیک قلب چپ، جابجایی شریانهای بزرگ و ناهنجاری کامل ورید ریوی مفید است. دانستن تشخیص در دوران بارداری، نتایج درمان را بهبود میبخشد، مداخله پس از زایمان را تسریع میکند و رشد عصبی درازمدت نوزاد را حفظ میکند. فراوانی ناهنجاریهای سیستم عصبی مرکزی جنین (CNS) بعد از ناهنجاریهای قلبی در رتبه دوم قرار دارد. یک تشخیص دقیق قبل از تولد با سونوگرافی برای درمان مناسب پس از زایمان برای اختلالات CNS جنین، که به طور قابل توجهی باعث مرگ و میر رحمی و عوارض پس از زایمان میشود، بسیار مهم است.
قلب
قلب جنین به دلیل ماهیت، حرکت مداوم و اندازه کوچک، اندامی پیچیده برای تجزیه و تحلیل و پیگیری است. همانطور که قبلا گفته شد، بیماریهای مادرزادی قلب شایع ترین ناهنجاریهای جنینی هستند. در طول اسکن سه ماهه اول یا دوم، سونوگرافیستها یک اسکن ناهنجاری اولتراسوند را به عنوان ابزاری برای تشخیص قبل از تولد در مورد ناهنجاریهای جنین انجام میدهند. با این حال، نرخ تشخیص گزارش شده برای بیماری قلبی مادرزادی همچنان پایین است. با توجه به این چالشها، یک مفهوم جدید که به دنبال ادغام هوش مصنوعی در ارزیابیهای جنین اولتراسوند (ایالات متحده) برای بهبود نرخ تشخیص و دقت کلی ارزیابی قلب جنین است، پدید آمده است.
به زنان باردار توصیه میشود در سه ماهه دوم بارداری تحت غربالگری جنین قرار گیرند. اسکن قلب جنین شامل معاینه پنج هواپیمای استاندارد توصیه شده در طول حرکت قلب است که پزشکان را قادر میسازد تا 90 درصد از نقایص پیچیده مادرزادی قلب را تشخیص دهند.
در مطالعه ای که توسط محققان انجام شد، تصاویر غربالگری اکوکاردیوگرافی و سه ماهه دوم جنین با سن حاملگی بین 18 تا 24 هفته با کمک انواع شبکههای عصبی مورد تجزیه و تحلیل قرار گرفت و نویسندگان دریافتند که میتوان بین آنها تمایز قائل شد. رشد طبیعی قلب و وجود ناهنجاریهای قلبی مادرزادی در این تصاویر مشاهده شد. نتایج بهدستآمده نشاندهنده عملکردهای پیشبینیکننده مشابه آنهایی است که توسط متخصصان بالینی انجام میشود، یعنی حساسیت 95٪ (فاصله اطمینان 95٪، 84-99٪)، ویژگی 96٪ (فاصله اطمینان 95٪، 95-97٪)، و یک مقدار منفی پیش بینی کننده 100٪.
مغز و جمجمه
ناهنجاریهای سیستم عصبی مرکزی برخی از شایع ترین ناهنجاریهای مادرزادی جنین هستند که میزان بروز آن 1٪ است. بررسی جمجمه جنین در پلانهای مرجع استاندارد، به عنوان مثال، بین بطنی، ترانس مخچهای و ترانس تالامیک، بخش اساسی از اسکن ناهنجاری سه ماهه دوم را نشان میدهد. پیشرفت تشخیص اولتراسوند با کمک هوش مصنوعی، دقت 92.93 درصدی را در تشخیص هواپیماهای استاندارد مورفولوژی جنین ممکن کرد. بنابراین، انتظار میرفت که هوش مصنوعی به یک روش غربالگری جایگزین برای ناهنجاریهای جنینی سیستم عصبی مرکزی تبدیل شود. برخی دیگر از محققان استفاده از الگوریتمهای یادگیری عمیق را برای تقسیمبندی ساختارهای مغزی تصور شده با MRI جنین بررسی کردند. مطالعه آنها روشی دقیق و کارآمد برای تقسیمبندی بافت مغز در MRI جنین ارائه میکند، که برای تعیین کمیت وجود اختلالات مادرزادی ضروری است.
کاردیوتوکوگرافی جنین
کاردیوتوکوگرافی (CTG) برای تعیین وضعیت جنین با نظارت بر ضربان قلب جنین (FHR) و انقباضات رحم بسیار مهم است. ضربان قلب جنین (FHR) الگوهای قابل توجهی را برای ارزیابی فیزیولوژی جنین و موقعیتهای استرس رایج نشان میدهد، و طبق یک متاآنالیز گسترده، نظارت مداوم CTG با کاهش 50 درصدی تشنجهای نوزاد مرتبط است.
بیومتری جنین
اندازه گیریهای بیومتریک دقیق دور سر جنین (HC)، قطر دو جدایی (BPD)، دور شکم (AC) و طول استخوان ران (FL) برای تخمین سن حاملگی (GA) و وزن جنین (EFW) استفاده میشود، که برای تخمین مناسب ضروری هستند.
شفافیت نوکال
هوش مصنوعی میتواند به سونوگرافیستها در شناسایی خودکار ناحیه گردن در تصاویر اولتراسوند و اندازه گیری شفافیت نوکال (NT) کمک کند. برخی از محققان از CNN برای غربالگری تریزومی 21 با اندازه گیری NT استفاده کرد. آنها 822 مورد را در مطالعه خود ثبت نام کردند که شامل 550 شرکت کننده در مجموعه آموزشی و 272 شرکت کننده در مجموعه اعتبار سنجی، با میانگین سنی مشابه بود. مدل DL عملکرد خوبی را در هر دو مجموعه برای غربالگری تریزومی 21 با فاصله اطمینان 95% 0.92-0.95 نشان داد.
نتایج سنتز
مقادیر پیشبینی روشهای هوش مصنوعی مورد استفاده در مطالعات وارد شده بر اساس سیستم تجزیه و تحلیل و ارزیابی به گروههایی تقسیم شدند. این بررسی شامل چندین مقاله با تمرکز بر استفاده از هوش مصنوعی در ارزیابی سونوگرافی جنین است. هدف از توسعه این شبکههای عصبی بهبود فرآیند ارزیابی اولتراسوند با خودکار کردن شناسایی ساختارهای جنین است، در نتیجه دقت تکنیک را به حداکثر میرساند و زمان معاینه را به حداقل میرساند. برنامههای متعددی در مطالعات بررسیشده مشخص شد که همگی با دستیابی به نرخهای دقت بیش از ۹۰ درصد در شناسایی ساختارهای مغز و قلب جنین یا اندازهگیریهای بیومتریک آنها با موفقیت به اهداف خود دست یافتند. این یافتهها نتایج امیدوارکنندهای را در افزایش دقت و اتوماسیون تخمین پارامترهای جنینی نشان دادهاند.
بیماریهای مادرزادی قلب شایع ترین ناهنجاریهای جنینی هستند. ادغام هوش مصنوعی در ارزیابیهای اولتراسوند به منظور افزایش نرخ تشخیص و دقت است. مطالعات تحقیقاتی اثربخشی کاربردهای هوش مصنوعی قابل اجرا در هر سن حاملگی را نشان دادهاند و توانایی شناسایی ساختارهای جنین را در اوایل سه ماهه اول بارداری نشان میدهند. این مطالعات چهار طرح کلیدی ارزیابی قلب جنین را مشخص کردند و برای شناسایی تا 9 ساختار قلب جنین در سه ماهه دوم گسترش یافتند. علاوه بر این، پروتکلی برای توسعه یک سیستم خودکار پشتیبانی تصمیم گیری هوشمند برای اکوکاردیوگرافی زودرس جنین با استفاده از معماریهای DL ایجاد و با موفقیت پیاده سازی شد. هدف کمک به سونوگرافیستها در شناسایی صحیح سطوح اصلی قلب در سه ماهه اول است.