Прайс-лист
Заполните пожалуйста форму и мы свяжемся с вами!
Новый подход на основе искусственного интеллекта для автоматической дифференциации положения плода во время родов
Т. Ги1, Ф. Конверсано2, Р. Рамирес Зегарра1,3, П. Пизани2, А. Даль Аста1, А. Ланцоне4, В. Лау5, А. Вимеркати6, Д.Г. Илиеску7,8, И. Маппа9, Г. Риццо9,10, С. Кашаро2, Международная исследовательская группа по УЗИ родов (ISLANDS)
1 Кафедра медицины и хирургии. Отделение акушерства и гинекологии. Университет Пармы. Парма. Италия; 2 Национальный исследовательский совет, Институт клинической физиологии. Лечче, Италия; 3 Кафедра акушерства и гинекологии, Больница Святого Иосифа, Берлин, Германия; 4 Отделение акушерства, Fondazione Policlinico A. Gemelli IRCCS. Рим, Италия: 5 Кафедра акушерства и гинекологии. Госпиталь Квонг Ва. Коулун.
Гонконг; 6 Кафедра акушерства, гинекологии, неонатологии и анестезиологии, Университетская клиника Консорциальной поликлиники Бари. Бари. Италия; 7 Университетская окружная неотложная больница, Крайова, Румыния; 8 Медицинский и фармацевтический университет, Крайова, Румыния; 9 Отделение медицины матери и плода, больница Кристо Ре, Римский университет Тор Вергата, Рим, Италия; 10 Кафедра акушерства и гинекологии, Первый МГМУ им. И.М. Сеченова, Москва, Россия
В этой статье представлены результаты исследования, в котором приняли участие 15 родильных домов. Авторы оценивают достоверность и эффективность автоматического распознавания положения головки плода с помощью трансперинеального УЗИ во время второго периода родов. В статье подробно описывается архитектура и принципы машинного обучения разработанного алгоритма автоматической оценки УЗИ -параметров.
Резюме
Целью данного исследования было описать недавно разработанный алгоритм машинного обучения (МО) для автоматического распознавания положения головки плода с помощью трансперинеального
ультразвукового исследования (тпУЗИ) во время второго периода родов и оценить его эффективность при
дифференциации положения плода в переднем виде затылочного или иного предлежания головки плода.
Методы исследования: проспективное когортное исследование, включающее случаи одноплодной беременности (> 37 недель гестации) во втором периоде родов со здоровым плодом в головном предлежании.
Результаты.
Исследование проходило в течение 24 месяцев (с февраля 2018 года по январь 2020 года) в 15 родильных домах, входящих в состав Международной исследовательской группы по УЗИ родов (ISLANDS), с участием 1219 женщин, находящихся во втором периоде родов.
На основании результатов трансабдоминального УЗИ участниц классифицировали как с передним видом затылочного вставления (n = 801, 65,7%) или с другим предлежанием (n = 418, 543%).
Данные примерно 70% (n = 824) пациенток из всей когорты были случайным образом распределены на обучающий набор данных, а остальные (n = 395) использовались в качестве наименьшего набора данных. Алгоритм на основе машинного обучения правильно классифицировал положение затылка плода в 90,4% (357/395) набора тестовых данных, в том числе 224/246 при переднем виде затылочного вставления (91,1%) и 133/149 с другим предлежанием (89,3%). Оценка производительности алгоритма дала значение F1 88,7% и ППК ТП 85,4%. Алгоритм показал сбалансированную производительность при распознавании как переднего вида затылочного вставления,
так и других предлежаний. Надежность алгоритма была подтверждена высоким соответствием
золотому стандарту (k = 0,81; P <0,0001).
Выводы.
Этот недавно разработанный алгоритм автоматической оценки положения головы плода с использованием тпУЗИ, основанный на машинном обучении, в большинстве случаев может точно дифференцировать передний вид или другое предлежание во втором периоде родов. Этот алгоритм может помочь врачам-гинекологам и акушерам в клиническом использовании тпУЗИ для определения вида и вставления головки плода в родильном отделении.
ВВЕДЕНИЕ
Знание вида и вставления головки плода во время родов крайне важно, особенно при ведении затянувшихся родов, поскольку неправильное положение головки плода связано с повышенным риском акушерского вмешательства, неудачных оперативных родов через естественные родовые пути и неблагоприятных исходов для
роженицы и ребенка1–7.
В последнее время интранатальное УЗИ приобрело популярность как инструмент для определения вида и предлежания головки плода, дополняющий традиционное влагалищное исследование8. Было показано, что трансабдоминальное УЗИ более объективно и воспроизводимо по сравнению с одним лишь влагалищным
исследованием, что связано со средней частотой ошибок 20% или даже выше (до 70%) в случаях
заднего вида или поперечного стояния стреловидного шва9–11. Таким образом, использование УЗИ было одобрено как метод для определения вида и вставления головки плода перед планированием или проведением естественных родов с оперативным родовспоможением, особенно в случаях, когда вид и вставление головки
не удается определить с помощью клинического обследования12–15.
В то время как трансабдоминальное УЗИ является предпочтительным методом для точного определения вставления головки плода во время родов12–28, определение положения головки плода возможно с помощью трансперинеального УЗИ (тпУЗИ)29. Использование тпУЗИ для одновременной оценки вставления и высоты
стояния головки плода и было бы идеальным, но этому препятствует тот факт, что УЗ-диагностика с помощью тпУЗИ технически сложна для неопытных врачей29.
Недавно в акушерстве и гинекологии начали использовать искусственный интеллект (ИИ ) с целью быстрого и автоматического распознавания и измерения нормальных и патологических результатов УЗИ30–37. Однако, насколько известно, ни в одном из исследований не предпринимались попытки оценить положение головки плода во время родов с использованием модели на основе искусственного интеллекта. В этом исследовании описывается недавно разработанный алгоритм машинного обучения (МО), основанный на нейронной сети с прямой
связью для распознавания образов, для автоматического распознавания положения головки
плода с использованием тпУЗИ и оценивается его эффективность при дифференциации положений головки плода.
Методы исследования
Исследование проводилось в рамках Международного многоцентрового проспектив-
ного когортного клинического исследования AI OCCIPUT, организованного Пармским университетом. Пятнадцать родильных домов, все из которых входят в Международную исследовательскую группу ISLANDS, внесли свой вклад в оценку набора клинических данных: Университетская больница Пармы (Парма, Италия), Фонд
Восточного Саффолка и Северного Эссекса (ESNEIT) (Колчестер, Великобритания), Клиника Джемелли (Рим, Италия), больница Квонг Вах (Гонконг), Ospedale Cristo Re For Vergata University (Рим, Италия), Университетская окружная больница Крайова (Крайова, Румыния), Университетская больница Бари (Бари, Италия), Больница Тронхейма (Тронхейм, Норвегия), Больница Манджагалли (Милан, Италия), Медицинский центр Каплан (Реховот, Израиль), Университет Кваме Нкрнмах (Кумаси, Гана), Женская клиника Люцерна (Люцерн, Швейцария), Муниципальная больница Медиас (Медиас, Румыния), Университетская больница Шарите (Берлин, Германия),
Филиал Национальной службы здравоохранения Имперского Колледжа (Лондон, Великобритания). Исследование было одобрено комитетом по этике организационного центра (270/2018/OSS/AOUPR) и местными комитетами по этике каждого учреждения-участника.
Критерии включения: неосложненные одноплодные доношенные беременности (> 37 недель гестации) во втором периоде родов с нормальным головным предлежанием плода.
Исследование рожениц проводилось после их поступления в родильное отделение и получения письменного согласия на анонимное использование изображений для обучения и тестирования алгоритма МО. Снимки были
получены лечащим акушером по клиническим показаниям в соответствии со стандартной практикой учреждения (например, показаниями для тпУЗИ были затянувшиеся роды, вагинальное кровотечение или сомнительные данные кардиотокографии) или перед проведением естественных родов с оперативным родовспоможением.
Ультразвуковая оценка
Всем участницам исследования было проведено трансабдоминальное ультразвуковое исследование для оценки положения головки плода, которое было классифицировано как передний вид затылочного или иного вставления
головки плода. Данные получали путем описания положения в соответствии с положениями
на циферблате17,25, так что положения ≥ 02:30 ч и ≤ 09:30 ч были записаны как другой тип предлежания, а положения > 09:30 ч и < 02:30 ч – как положение затылком вперед. Эта диагностика с помощью трансабдоминального УЗИ считалась золотым стандартом для затылочного предлежания.
В каждом случае сразу после трансабдоминального сканирования было получено одно изображение головки плода в аксиальной плоскости с использованием тпУЗИ. Сканирование выполняли с использованием обычного
ультразвука со следующими настройками: конвексный датчик с радиусом кривизны 65 мм; поле зрения 60º; номинальная центральная частота 3 МГц (ширина полосы от 2 до 5 МГц); глубина сканирования 180 мм; многофокусная съемка (первая на 30–50 мм, вторая на 100–150 мм); линейная регулировка усиления по времени.
Изображения были получены в стандартном B-режиме (формат PNG или BITMAP с разрешением не менее 512x512 пикселей). Все снимки были выполнены либо с помощью стандартного ультразвукового аппарата, настроенного вручную, либо с помощью системы SensUS Touch (Amolab Srl, Лечче, Италия), портативной ультразвуковой системы в виде планшета, оснащенной программным модулем, специально предназначенным для исследования AI OCCIPUT, который автоматически обеспечивал принятие заранее заданных параметров сканирования
и получение изображений необходимого разрешения и формата.
Сканирование во всех случаях проводилось в положении женщины полулежа, с согнутыми ногами под углом 45° в бедрах и 90° в коленях.
Датчик располагали поперечно над задним отделом уздечки половых губ, при этом врач оказывал сильное, но не вызывающее дискомфорта у пациентки давление. Датчик наклоняли до тех пор, пока контур черепа плода не визуализировался как можно четче, а средняя линия не была четко видна, что указывало на то, что ультразвуковой луч был перпендикулярен черепу плода. УЗ-снимки, полученные с помощью тпУЗИ, сохраняли для последующего автономного анализа.
Каждое изображение подвергалось автономной оценке качества исследователем Итальянского национального исследовательского совета (CNR), который проверял его на соответствие установленным параметрам (например, глубина, фокус, угол апертуры) и вручную исключал те, которые не соответствовали критериям.
Архитектура и обучение алгоритма
Архитектура алгоритма включала начальную фазу предварительной обработки изображения, за которой следовали увеличение данных.
Гонконг; 6 Кафедра акушерства, гинекологии, неонатологии и анестезиологии, Университетская клиника Консорциальной поликлиники Бари. Бари. Италия; 7 Университетская окружная неотложная больница, Крайова, Румыния; 8 Медицинский и фармацевтический университет, Крайова, Румыния; 9 Отделение медицины матери и плода, больница Кристо Ре, Римский университет Тор Вергата, Рим, Италия; 10 Кафедра акушерства и гинекологии, Первый МГМУ им. И.М. Сеченова, Москва, Россия
В этой статье представлены результаты исследования, в котором приняли участие 15 родильных домов. Авторы оценивают достоверность и эффективность автоматического распознавания положения головки плода с помощью трансперинеального УЗИ во время второго периода родов. В статье подробно описывается архитектура и принципы машинного обучения разработанного алгоритма автоматической оценки УЗИ -параметров.
Резюме
Целью данного исследования было описать недавно разработанный алгоритм машинного обучения (МО) для автоматического распознавания положения головки плода с помощью трансперинеального
ультразвукового исследования (тпУЗИ) во время второго периода родов и оценить его эффективность при
дифференциации положения плода в переднем виде затылочного или иного предлежания головки плода.
Методы исследования: проспективное когортное исследование, включающее случаи одноплодной беременности (> 37 недель гестации) во втором периоде родов со здоровым плодом в головном предлежании.
Результаты.
Исследование проходило в течение 24 месяцев (с февраля 2018 года по январь 2020 года) в 15 родильных домах, входящих в состав Международной исследовательской группы по УЗИ родов (ISLANDS), с участием 1219 женщин, находящихся во втором периоде родов.
На основании результатов трансабдоминального УЗИ участниц классифицировали как с передним видом затылочного вставления (n = 801, 65,7%) или с другим предлежанием (n = 418, 543%).
Данные примерно 70% (n = 824) пациенток из всей когорты были случайным образом распределены на обучающий набор данных, а остальные (n = 395) использовались в качестве наименьшего набора данных. Алгоритм на основе машинного обучения правильно классифицировал положение затылка плода в 90,4% (357/395) набора тестовых данных, в том числе 224/246 при переднем виде затылочного вставления (91,1%) и 133/149 с другим предлежанием (89,3%). Оценка производительности алгоритма дала значение F1 88,7% и ППК ТП 85,4%. Алгоритм показал сбалансированную производительность при распознавании как переднего вида затылочного вставления,
так и других предлежаний. Надежность алгоритма была подтверждена высоким соответствием
золотому стандарту (k = 0,81; P <0,0001).
Выводы.
Этот недавно разработанный алгоритм автоматической оценки положения головы плода с использованием тпУЗИ, основанный на машинном обучении, в большинстве случаев может точно дифференцировать передний вид или другое предлежание во втором периоде родов. Этот алгоритм может помочь врачам-гинекологам и акушерам в клиническом использовании тпУЗИ для определения вида и вставления головки плода в родильном отделении.
ВВЕДЕНИЕ
Знание вида и вставления головки плода во время родов крайне важно, особенно при ведении затянувшихся родов, поскольку неправильное положение головки плода связано с повышенным риском акушерского вмешательства, неудачных оперативных родов через естественные родовые пути и неблагоприятных исходов для
роженицы и ребенка1–7.
В последнее время интранатальное УЗИ приобрело популярность как инструмент для определения вида и предлежания головки плода, дополняющий традиционное влагалищное исследование8. Было показано, что трансабдоминальное УЗИ более объективно и воспроизводимо по сравнению с одним лишь влагалищным
исследованием, что связано со средней частотой ошибок 20% или даже выше (до 70%) в случаях
заднего вида или поперечного стояния стреловидного шва9–11. Таким образом, использование УЗИ было одобрено как метод для определения вида и вставления головки плода перед планированием или проведением естественных родов с оперативным родовспоможением, особенно в случаях, когда вид и вставление головки
не удается определить с помощью клинического обследования12–15.
В то время как трансабдоминальное УЗИ является предпочтительным методом для точного определения вставления головки плода во время родов12–28, определение положения головки плода возможно с помощью трансперинеального УЗИ (тпУЗИ)29. Использование тпУЗИ для одновременной оценки вставления и высоты
стояния головки плода и было бы идеальным, но этому препятствует тот факт, что УЗ-диагностика с помощью тпУЗИ технически сложна для неопытных врачей29.
Недавно в акушерстве и гинекологии начали использовать искусственный интеллект (ИИ ) с целью быстрого и автоматического распознавания и измерения нормальных и патологических результатов УЗИ30–37. Однако, насколько известно, ни в одном из исследований не предпринимались попытки оценить положение головки плода во время родов с использованием модели на основе искусственного интеллекта. В этом исследовании описывается недавно разработанный алгоритм машинного обучения (МО), основанный на нейронной сети с прямой
связью для распознавания образов, для автоматического распознавания положения головки
плода с использованием тпУЗИ и оценивается его эффективность при дифференциации положений головки плода.
Методы исследования
Исследование проводилось в рамках Международного многоцентрового проспектив-
ного когортного клинического исследования AI OCCIPUT, организованного Пармским университетом. Пятнадцать родильных домов, все из которых входят в Международную исследовательскую группу ISLANDS, внесли свой вклад в оценку набора клинических данных: Университетская больница Пармы (Парма, Италия), Фонд
Восточного Саффолка и Северного Эссекса (ESNEIT) (Колчестер, Великобритания), Клиника Джемелли (Рим, Италия), больница Квонг Вах (Гонконг), Ospedale Cristo Re For Vergata University (Рим, Италия), Университетская окружная больница Крайова (Крайова, Румыния), Университетская больница Бари (Бари, Италия), Больница Тронхейма (Тронхейм, Норвегия), Больница Манджагалли (Милан, Италия), Медицинский центр Каплан (Реховот, Израиль), Университет Кваме Нкрнмах (Кумаси, Гана), Женская клиника Люцерна (Люцерн, Швейцария), Муниципальная больница Медиас (Медиас, Румыния), Университетская больница Шарите (Берлин, Германия),
Филиал Национальной службы здравоохранения Имперского Колледжа (Лондон, Великобритания). Исследование было одобрено комитетом по этике организационного центра (270/2018/OSS/AOUPR) и местными комитетами по этике каждого учреждения-участника.
Критерии включения: неосложненные одноплодные доношенные беременности (> 37 недель гестации) во втором периоде родов с нормальным головным предлежанием плода.
Исследование рожениц проводилось после их поступления в родильное отделение и получения письменного согласия на анонимное использование изображений для обучения и тестирования алгоритма МО. Снимки были
получены лечащим акушером по клиническим показаниям в соответствии со стандартной практикой учреждения (например, показаниями для тпУЗИ были затянувшиеся роды, вагинальное кровотечение или сомнительные данные кардиотокографии) или перед проведением естественных родов с оперативным родовспоможением.
Ультразвуковая оценка
Всем участницам исследования было проведено трансабдоминальное ультразвуковое исследование для оценки положения головки плода, которое было классифицировано как передний вид затылочного или иного вставления
головки плода. Данные получали путем описания положения в соответствии с положениями
на циферблате17,25, так что положения ≥ 02:30 ч и ≤ 09:30 ч были записаны как другой тип предлежания, а положения > 09:30 ч и < 02:30 ч – как положение затылком вперед. Эта диагностика с помощью трансабдоминального УЗИ считалась золотым стандартом для затылочного предлежания.
В каждом случае сразу после трансабдоминального сканирования было получено одно изображение головки плода в аксиальной плоскости с использованием тпУЗИ. Сканирование выполняли с использованием обычного
ультразвука со следующими настройками: конвексный датчик с радиусом кривизны 65 мм; поле зрения 60º; номинальная центральная частота 3 МГц (ширина полосы от 2 до 5 МГц); глубина сканирования 180 мм; многофокусная съемка (первая на 30–50 мм, вторая на 100–150 мм); линейная регулировка усиления по времени.
Изображения были получены в стандартном B-режиме (формат PNG или BITMAP с разрешением не менее 512x512 пикселей). Все снимки были выполнены либо с помощью стандартного ультразвукового аппарата, настроенного вручную, либо с помощью системы SensUS Touch (Amolab Srl, Лечче, Италия), портативной ультразвуковой системы в виде планшета, оснащенной программным модулем, специально предназначенным для исследования AI OCCIPUT, который автоматически обеспечивал принятие заранее заданных параметров сканирования
и получение изображений необходимого разрешения и формата.
Сканирование во всех случаях проводилось в положении женщины полулежа, с согнутыми ногами под углом 45° в бедрах и 90° в коленях.
Датчик располагали поперечно над задним отделом уздечки половых губ, при этом врач оказывал сильное, но не вызывающее дискомфорта у пациентки давление. Датчик наклоняли до тех пор, пока контур черепа плода не визуализировался как можно четче, а средняя линия не была четко видна, что указывало на то, что ультразвуковой луч был перпендикулярен черепу плода. УЗ-снимки, полученные с помощью тпУЗИ, сохраняли для последующего автономного анализа.
Каждое изображение подвергалось автономной оценке качества исследователем Итальянского национального исследовательского совета (CNR), который проверял его на соответствие установленным параметрам (например, глубина, фокус, угол апертуры) и вручную исключал те, которые не соответствовали критериям.
Архитектура и обучение алгоритма
Архитектура алгоритма включала начальную фазу предварительной обработки изображения, за которой следовали увеличение данных.
Рисунок 1. Блок-схема, обобщающая рабочий процесс, использованный для разработки алгоритма машинного обучения для классификации положений головки плода на изображениях, полученных с помощью тпУЗИ во время второго периода родов.
извлечение признаков и этапы обучения/тестирования на основе контролируемого обучения (рис. 1).
На этапе предварительной обработки изображения были нормализованы и изменены до размера 512x512 пикселей, а гистограмма изображения в градациях серого была оптимизирована для повышения контрастности и облегчения обнаружения УЗ-маркеров положения затылка (например, конвергентного сосудистого сплетения и формования) (рис. 2а). Затем набор изображений тпУЗИ разделяли на обучающий набор данных (примерно 70% от общего числа изображений) и тестовый набор данных (приблизительно 30% от общего числа изображений) путем случайного выбора изображений из случаев положения плода затылком вперед и других типов предлежания, определенных ранее с помощью трансабдоминального УЗИ. После этого применяли метод увеличения данных, чтобы увеличить набор обучающих данных и повысить производительность модели.
Наша стратегия увеличения данных была основана на переворачивании (горизонтальном), геометрических преобразованиях (вращении и перемещении), добавлении шума (по Гауссу и спекл-шума) и искажении контраста. Таким образом, каждое изображение в исходном наборе данных подвергалось шести преобразованиям, параметры которых (например, угол поворота, фильтр Гаусса SI) настраивались случайным образом.
На следующем этапе алгоритм автоматически извлекал специфические морфологические особенности каждого изображения, чтобы оценить положение головки плода, а именно:
• эллипсовидную сегментацию и измерение длины большой (т. е. средней линии мозга) и малой оси головки плода (рис. 2b);
• дальнейшую корректировку уровней серого для оценки толщины межкостных границ (рис. 2с);
• измерение геометрических характеристик, рассчитанных на уровнях серого относительно пересечения осей (например, положение центра тяжести серого – M, положение самых темных и самых светлых областей вблизи вертикальных осей) (рис. 2d).
На этапе предварительной обработки изображения были нормализованы и изменены до размера 512x512 пикселей, а гистограмма изображения в градациях серого была оптимизирована для повышения контрастности и облегчения обнаружения УЗ-маркеров положения затылка (например, конвергентного сосудистого сплетения и формования) (рис. 2а). Затем набор изображений тпУЗИ разделяли на обучающий набор данных (примерно 70% от общего числа изображений) и тестовый набор данных (приблизительно 30% от общего числа изображений) путем случайного выбора изображений из случаев положения плода затылком вперед и других типов предлежания, определенных ранее с помощью трансабдоминального УЗИ. После этого применяли метод увеличения данных, чтобы увеличить набор обучающих данных и повысить производительность модели.
Наша стратегия увеличения данных была основана на переворачивании (горизонтальном), геометрических преобразованиях (вращении и перемещении), добавлении шума (по Гауссу и спекл-шума) и искажении контраста. Таким образом, каждое изображение в исходном наборе данных подвергалось шести преобразованиям, параметры которых (например, угол поворота, фильтр Гаусса SI) настраивались случайным образом.
На следующем этапе алгоритм автоматически извлекал специфические морфологические особенности каждого изображения, чтобы оценить положение головки плода, а именно:
• эллипсовидную сегментацию и измерение длины большой (т. е. средней линии мозга) и малой оси головки плода (рис. 2b);
• дальнейшую корректировку уровней серого для оценки толщины межкостных границ (рис. 2с);
• измерение геометрических характеристик, рассчитанных на уровнях серого относительно пересечения осей (например, положение центра тяжести серого – M, положение самых темных и самых светлых областей вблизи вертикальных осей) (рис. 2d).
Рисунок 2. Оценка с помощью алгоритма машинного обучения морфологических признаков на трансперинеальном УЗИ, используемом для дифференциации положения головки плода в переднем виде во втором периоде родов: (а) видны сосудистые сплетения и формирующая дуга; (b) измерение большой (средняя линия мозга) (A) и малой (B) осей головы плода; (c) оценка толщины костных границ (C, D); (d) положение центра тяжести (М) и положения
самой темной (оранжевый) и самой светлой (зеленый) областей вблизи большой оси.
самой темной (оранжевый) и самой светлой (зеленый) областей вблизи большой оси.
Алгоритм также использовался для извлечения признаков, связанных с текстурой и структурой изображения, а именно:
• распознавание текстуры с помощью гистограммы ориентированных градиентов;
• распознавание статистических текстурных признаков второго порядка с помощью матрицы совпадения уровней;
• однородность текстуры за счет обратного разностного момента;
• однородность изображения за счет расчета энергии;
• индивидуализация уровней серого соседних пикселей посредством корреляции;
• распознавание формы с помощью авторегрессионной модели.
На этапе извлечения признаков каждое предварительно обработанное изображение преобразовывалось в вектор, в котором каждый элемент соответствовал признаку, представляющему входные данные, которые затем передавались в сеть классификатора.
Для классификации данных использовалась нейронная сеть прямой связи с распознаванием образов с 12 скрытыми слоями. Обучение сети было оптимизировано с помощью градиентного спуска с адаптивным обратным распространением скорости обучения (начальная скорость обучения 0,001). В качестве функции потерь использовалась кросс-энтропия, а в качестве функции активации использовалась ректифицированная линейная единица (РеЛЕ). В качестве выходного слоя использовался классификатор softmax.
Алгоритм машинного обучения обучали и проверяли на расширенном наборе обучающих данных с помощью k кратной перекрестной проверки: набор обучающих данных был разделен на k подгрупп или сгибов, а алгоритм был обучен на (k 1) сгибах и проверен на оставшемся сгибе, с повторением процесса k раз. В этом исследовании параметр k был установлен равным 5, согласно Yadav and Shukla38.
После этапа обучения был проведен этап тестирования с оставшимися 30% изображений
тпУЗИ (т.е. тестовый набор данных).
В каждом случае систему «ослепляли» в отношении вида и позиции головки, определенного с помощью трансабдоминального УЗИ. Таким образом оценивалась диагностическая эффективность алгоритма при
распознавании вида и предлежания головки плода.
Статистический анализ
Чтобы оценить производительность алгоритма, рассчитывали точность классификации изображений положения головки плода как количество правильных прогнозов в процентах от общего количества изображений в каждой группе. Общую точность рассчитывали аналогичным образом при одновременном рассмотрении обоих
групп. Из-за несбалансированных чисел в обеих группах также оценивали показатель F1 и площадь под кривой точности и полноты (ППК) ТП как показатель производительности алгоритма39.
Также рассчитали коэффициент каппы Коэна (k) для оценки степени соответствия алгоритма МО золотому стандарту, уровень значимости был установлен на уровне P < 0,05.
Размер выборки рассчитывали с помощью предварительного моделирования алгоритма (этап майнинга), который был выполнен для оценки минимального размера выборки, необходимого для предотвращения как переобучения, так и недообучения нейронной сети. Минимальный требуемый размер выборки для обучения нашей
модели составил примерно 700 выборок данных (т. е. 700 изображений), что с учетом того, что 30% всех полученных изображений должны были составить независимый тестовый набор данных, дало минимальный требуемый размер выборки примерно в 1000 изображений.
Результаты
В течение 24 месяцев с февраля 2018 года по январь 2020 года было получено 1635 снимков тпУЗИ женщин во втором периоде родов, из которых 416 не соответствовали заданным настройкам параметров и были исключены. Таким образом, в анализ были включены 1219 снимков тпУЗИ (рис. 3). На основании результатов трансабдоминального УЗИ изображения тпУЗИ были классифицированы как передний вид затылочного вставления (n = 801, 65,7%) или другой вид предлежания (n = 418, 34,3%). Примерно 70% (n = 824) изображений из обоих групп были выбраны случайным образом для формирования набора обучающих данных, а оставшиеся 30% (n = 395) использовались для этапа тестирования. Набор тестовых данных включал 246 (62,3%) изображений с передним видом и 149 (37,7%) изображений другого вида предлежания.
Общая точность алгоритма на основе искусственного интеллекта при оценке положении головки плода в тестовом наборе данных составила 90,4% (357/395), а его эффективность в каждой группе была одинаковой: точность 91,1% (224/246) в группе с передним видом затылочного предлежания и 89,3% (133/149) в группе с другим видом вставления. Оценка производительности алгоритма по F1-показателю дала значение 88,7%, а ППК ТП – 85,4%. Алгоритм МО также показал высокую согласованность с золотым стандартом (k = 0,81; T<0,0001).
• распознавание текстуры с помощью гистограммы ориентированных градиентов;
• распознавание статистических текстурных признаков второго порядка с помощью матрицы совпадения уровней;
• однородность текстуры за счет обратного разностного момента;
• однородность изображения за счет расчета энергии;
• индивидуализация уровней серого соседних пикселей посредством корреляции;
• распознавание формы с помощью авторегрессионной модели.
На этапе извлечения признаков каждое предварительно обработанное изображение преобразовывалось в вектор, в котором каждый элемент соответствовал признаку, представляющему входные данные, которые затем передавались в сеть классификатора.
Для классификации данных использовалась нейронная сеть прямой связи с распознаванием образов с 12 скрытыми слоями. Обучение сети было оптимизировано с помощью градиентного спуска с адаптивным обратным распространением скорости обучения (начальная скорость обучения 0,001). В качестве функции потерь использовалась кросс-энтропия, а в качестве функции активации использовалась ректифицированная линейная единица (РеЛЕ). В качестве выходного слоя использовался классификатор softmax.
Алгоритм машинного обучения обучали и проверяли на расширенном наборе обучающих данных с помощью k кратной перекрестной проверки: набор обучающих данных был разделен на k подгрупп или сгибов, а алгоритм был обучен на (k 1) сгибах и проверен на оставшемся сгибе, с повторением процесса k раз. В этом исследовании параметр k был установлен равным 5, согласно Yadav and Shukla38.
После этапа обучения был проведен этап тестирования с оставшимися 30% изображений
тпУЗИ (т.е. тестовый набор данных).
В каждом случае систему «ослепляли» в отношении вида и позиции головки, определенного с помощью трансабдоминального УЗИ. Таким образом оценивалась диагностическая эффективность алгоритма при
распознавании вида и предлежания головки плода.
Статистический анализ
Чтобы оценить производительность алгоритма, рассчитывали точность классификации изображений положения головки плода как количество правильных прогнозов в процентах от общего количества изображений в каждой группе. Общую точность рассчитывали аналогичным образом при одновременном рассмотрении обоих
групп. Из-за несбалансированных чисел в обеих группах также оценивали показатель F1 и площадь под кривой точности и полноты (ППК) ТП как показатель производительности алгоритма39.
Также рассчитали коэффициент каппы Коэна (k) для оценки степени соответствия алгоритма МО золотому стандарту, уровень значимости был установлен на уровне P < 0,05.
Размер выборки рассчитывали с помощью предварительного моделирования алгоритма (этап майнинга), который был выполнен для оценки минимального размера выборки, необходимого для предотвращения как переобучения, так и недообучения нейронной сети. Минимальный требуемый размер выборки для обучения нашей
модели составил примерно 700 выборок данных (т. е. 700 изображений), что с учетом того, что 30% всех полученных изображений должны были составить независимый тестовый набор данных, дало минимальный требуемый размер выборки примерно в 1000 изображений.
Результаты
В течение 24 месяцев с февраля 2018 года по январь 2020 года было получено 1635 снимков тпУЗИ женщин во втором периоде родов, из которых 416 не соответствовали заданным настройкам параметров и были исключены. Таким образом, в анализ были включены 1219 снимков тпУЗИ (рис. 3). На основании результатов трансабдоминального УЗИ изображения тпУЗИ были классифицированы как передний вид затылочного вставления (n = 801, 65,7%) или другой вид предлежания (n = 418, 34,3%). Примерно 70% (n = 824) изображений из обоих групп были выбраны случайным образом для формирования набора обучающих данных, а оставшиеся 30% (n = 395) использовались для этапа тестирования. Набор тестовых данных включал 246 (62,3%) изображений с передним видом и 149 (37,7%) изображений другого вида предлежания.
Общая точность алгоритма на основе искусственного интеллекта при оценке положении головки плода в тестовом наборе данных составила 90,4% (357/395), а его эффективность в каждой группе была одинаковой: точность 91,1% (224/246) в группе с передним видом затылочного предлежания и 89,3% (133/149) в группе с другим видом вставления. Оценка производительности алгоритма по F1-показателю дала значение 88,7%, а ППК ТП – 85,4%. Алгоритм МО также показал высокую согласованность с золотым стандартом (k = 0,81; T<0,0001).
Рисунок 3. Блок-схема использования снимков тпУЗИ для обучения МО с целью дифференцирования положения плода
Определение положения затылка плода на каждом изображении с помощью алгоритма МО заняло примерно 390 мс.
Обсуждение
Основные результаты
Это исследование показало, что дифференциация положения плода с использованием тпУЗИ во время второго периода родов была выполнена автоматически с помощью алгоритма МО с общей точностью 90,4%. Более того, алгоритм на основе машинного обучения показал аналогичный уровень точности в диагностике положения головки плода при переднем виде (91,1%) и ином виде вставления (89,3%).
Интерпретация результатов
Было доказано, что диагностика положения головки плода с помощью влагалищного исследования весьма неточна даже среди опытных акушеров9–11. На этом основании использование трансабдоминального УЗИ для подтверждения затылочного вставления, особенно перед выполнением оперативных вагинальных родов,
было рекомендовано профессиональными сообществами в качестве золотого стандарта12–15.
Трансперинеальное УЗИ для оценки положения головки плода также описывается как осуществимый и точный подход29, который используется в основном для оценки положения и ротации головки плода во время родов40–42. Использование тпУЗИ для одновременной оценки вида, вставления и высоты стояния головки плода было бы
идеальным, так как экономило бы время в случаях, когда необходимо быстро принять клинические решения, особенно при рассмотрении возможности оперативного родовспоможения через естественные родовые пути на позднем втором этапе родов. Более того, такой подход может оказаться особенно эффективным, когда головка плода глубоко вставлена ниже подлобкового уровня.
В этих случаях вид всего контура головы плода и его ориентиров может быть более полным при использовании тпУЗИ, чем при трансабдоминальном доступе, который может быть затруднен из-за тени, отбрасываемой лобковой костью.
Было сделано предположение, однако, что для распознавания вида предлежания при тпУЗИ необходимо хорошее знание формы и морфологии внутренних структур головного мозга (таких как сосудистое сплетение, мозжечок, таламус)29, и это может представлять сложность для врачей, которые не имеют опыта визуализации головного
мозга плода, что часто встречается среди акушеров, работающих в родильном отделении.
Клинические аспекты
Правильная оценка положения затылка плода играет важную роль при ведении затяжных родов из-за сильной связи между неправильным положением головки плода и повышенным риском кесарева сечения, неудачных естественных родов с оперативным родовспоможением и неблагоприятных исходов для матери и плода2–8. Использование быстрого алгоритма МО для надежной автоматической диагностики положения головки плода в тпУЗИ может сыграть свою роль в повседневной практике в родильном отделении, решить потенциальные пробле-
мы, связанные с субъективной интерпретацией результатов тпУЗИ.
Алгоритм МО может быть обучен для одновременной оценки в одной и той же аксиальной плоскости сканирования при тпУЗИ как высоты стояния головки плода, так и типа предлежания.
Точность и возможность автоматического измерения расстояния между головкой и промежностью (HPD) с использованием специального программного обеспечения уже была подтверждена в других исследованиях43, 44. Мы считаем, что диагностическая модель машинного обучения для оценки положения головки плода будет наиболее полезной с клинической точки зрения для ее использования специалистами с небольшим опытом.
Предыдущие исследования
Эта работа является беспрецедентной с точки зрения использования технологии ИИ для УЗИ во время родов, и, насколько нам известно, она является первой, предназначенной для использования алгоритма на основе ИИ в сочетании с интранатальным УЗИ для оценки положения головки плода. В одном исследовании изучалось
использование технологии ИИ для биометрии головы плода с использованием трехмерных объемов, что показало высокий уровень согласованности результатов, полученных опытными врачами и программным обеспечением ИИ
для измерения как бипариетального диаметра, так и окружности головки34. В других исследованиях не использовался ИИ , специалисты сосредоточили свое внимание на автоматическом измерении параметров тпУЗИ, таких как угол прогрессии и HPD43–47.
Преимущества и недостатки
Основными преимуществами этого исследования являются его многоцентровый, перспективный и оригинальный дизайн, большое число оцениваемых изображений и надежность анализа изображений вручную, выполненного УЗИ-специалистами, имеющими опыт работы с тпУЗИ.
Однако есть и некоторые ограничения этого исследования, которые необходимо признать. Во-первых, исследование проводилось в офлайн-режиме. Поэтому, прежде чем внедрять этот инструмент в плановую клиническую практику, необходимо провести валидационное клиническое исследование с обследованием пациенток в режиме реального времени. Во-вторых, наш набор был непоследовательным, что потенциально могло привести к предвзятости отбора.
В-третьих, количество исключенных изображений (n=416, 25,4%) можно рассматривать как недостаток, хотя большинство этих изображений было исключено, поскольку они не соответствовали заданным параметрам. В-четвертых, наш алгоритм еще не способен различать различные подтипы предлежаний, отличных от переднего вида затылочного, такие как задний вид, асинклитические вставления и поперечное положение
стреловидного шва. Исходя из этого, следующими шагами для нашего алгоритма машинного обучения будет реализация обновленной версии с добавлением такой опции. Кроме того, можно сказать, что наш алгоритм имеет почти оптимальную точность (около 90%) по сравнению с золотым стандартом, но следует учитывать, что
мы использовали обучающую выборку из около 800 изображений и, как обычно для всех подходов в основе МО, ожидается, что производительность улучшится с большим обучающим набором данных. Наконец, мы не проводили анализ повторяемости и воспроизводимости. Эти моменты должны быть рассмотрены отдельно в дальнейших исследованиях.
Заключение
Этот недавно разработанный алгоритм автоматической оценки положения головки плода с использованием тпУЗИ, основанный на машинном обучении, в большинстве случаев может точно дифференцировать вид затылочного предлежания во втором периоде родов. Он может помочь врачам-гинекологам и акушерам в клиническом использовании тпУЗИ для определения положения затылка плода в родильном отделении. Будущие исследования
должны быть посвящены изучению, в частности, повторяемости и воспроизводимости измерений, а также возможности использования аналогичного подхода для эффективного определения различных видов предлежания, помимо переднего вида затылочного вставления.
Международная исследовательская группа по УЗИ родов (ISLANDS)
Рокко Мордло, Лечче, Италия
Джованни Баттиста Лука Шера, Парма, Италия
Роберто Франчини, Лечче, Италия
Стефания Фиени, Парма, Италия
Мария Джованна Ди Трани, Лечче, Италия
Даниэла Пиньятелли, Лечче, Италия
Анджело Сирико, Рим, Италия
Кэтрин Хун, Гонконг
Лаурентия Дира, Крайова, Румыния
Рони Леви, Реховот, Израиль
Эди Вайсбух. Реховот, Израиль
Кристоф Лис, Лондон, Великобритания
Сана Усман, Лондон, Великобритания
Энрико Лурларо, Милан, Италия
Марта Тондо, Милан, Италия
Элис Винклер, Люцерн, Швейцария
Вассим А. Хассан. Колчестер, Великобритания
Саша Тейлор, Колчестер, Великобритания
Йо Амо Виафе, Кумаси, Гана
Торбьом Моэ Эггебо, Тронхейм, Норвегия
Вольфганг Хенрих, Берлин, Германия
Ларри Хинксон, Берлин, Германия
Эдвин Васо, Медиаш, Румыния
Определение положения затылка плода на каждом изображении с помощью алгоритма МО заняло примерно 390 мс.
Обсуждение
Основные результаты
Это исследование показало, что дифференциация положения плода с использованием тпУЗИ во время второго периода родов была выполнена автоматически с помощью алгоритма МО с общей точностью 90,4%. Более того, алгоритм на основе машинного обучения показал аналогичный уровень точности в диагностике положения головки плода при переднем виде (91,1%) и ином виде вставления (89,3%).
Интерпретация результатов
Было доказано, что диагностика положения головки плода с помощью влагалищного исследования весьма неточна даже среди опытных акушеров9–11. На этом основании использование трансабдоминального УЗИ для подтверждения затылочного вставления, особенно перед выполнением оперативных вагинальных родов,
было рекомендовано профессиональными сообществами в качестве золотого стандарта12–15.
Трансперинеальное УЗИ для оценки положения головки плода также описывается как осуществимый и точный подход29, который используется в основном для оценки положения и ротации головки плода во время родов40–42. Использование тпУЗИ для одновременной оценки вида, вставления и высоты стояния головки плода было бы
идеальным, так как экономило бы время в случаях, когда необходимо быстро принять клинические решения, особенно при рассмотрении возможности оперативного родовспоможения через естественные родовые пути на позднем втором этапе родов. Более того, такой подход может оказаться особенно эффективным, когда головка плода глубоко вставлена ниже подлобкового уровня.
В этих случаях вид всего контура головы плода и его ориентиров может быть более полным при использовании тпУЗИ, чем при трансабдоминальном доступе, который может быть затруднен из-за тени, отбрасываемой лобковой костью.
Было сделано предположение, однако, что для распознавания вида предлежания при тпУЗИ необходимо хорошее знание формы и морфологии внутренних структур головного мозга (таких как сосудистое сплетение, мозжечок, таламус)29, и это может представлять сложность для врачей, которые не имеют опыта визуализации головного
мозга плода, что часто встречается среди акушеров, работающих в родильном отделении.
Клинические аспекты
Правильная оценка положения затылка плода играет важную роль при ведении затяжных родов из-за сильной связи между неправильным положением головки плода и повышенным риском кесарева сечения, неудачных естественных родов с оперативным родовспоможением и неблагоприятных исходов для матери и плода2–8. Использование быстрого алгоритма МО для надежной автоматической диагностики положения головки плода в тпУЗИ может сыграть свою роль в повседневной практике в родильном отделении, решить потенциальные пробле-
мы, связанные с субъективной интерпретацией результатов тпУЗИ.
Алгоритм МО может быть обучен для одновременной оценки в одной и той же аксиальной плоскости сканирования при тпУЗИ как высоты стояния головки плода, так и типа предлежания.
Точность и возможность автоматического измерения расстояния между головкой и промежностью (HPD) с использованием специального программного обеспечения уже была подтверждена в других исследованиях43, 44. Мы считаем, что диагностическая модель машинного обучения для оценки положения головки плода будет наиболее полезной с клинической точки зрения для ее использования специалистами с небольшим опытом.
Предыдущие исследования
Эта работа является беспрецедентной с точки зрения использования технологии ИИ для УЗИ во время родов, и, насколько нам известно, она является первой, предназначенной для использования алгоритма на основе ИИ в сочетании с интранатальным УЗИ для оценки положения головки плода. В одном исследовании изучалось
использование технологии ИИ для биометрии головы плода с использованием трехмерных объемов, что показало высокий уровень согласованности результатов, полученных опытными врачами и программным обеспечением ИИ
для измерения как бипариетального диаметра, так и окружности головки34. В других исследованиях не использовался ИИ , специалисты сосредоточили свое внимание на автоматическом измерении параметров тпУЗИ, таких как угол прогрессии и HPD43–47.
Преимущества и недостатки
Основными преимуществами этого исследования являются его многоцентровый, перспективный и оригинальный дизайн, большое число оцениваемых изображений и надежность анализа изображений вручную, выполненного УЗИ-специалистами, имеющими опыт работы с тпУЗИ.
Однако есть и некоторые ограничения этого исследования, которые необходимо признать. Во-первых, исследование проводилось в офлайн-режиме. Поэтому, прежде чем внедрять этот инструмент в плановую клиническую практику, необходимо провести валидационное клиническое исследование с обследованием пациенток в режиме реального времени. Во-вторых, наш набор был непоследовательным, что потенциально могло привести к предвзятости отбора.
В-третьих, количество исключенных изображений (n=416, 25,4%) можно рассматривать как недостаток, хотя большинство этих изображений было исключено, поскольку они не соответствовали заданным параметрам. В-четвертых, наш алгоритм еще не способен различать различные подтипы предлежаний, отличных от переднего вида затылочного, такие как задний вид, асинклитические вставления и поперечное положение
стреловидного шва. Исходя из этого, следующими шагами для нашего алгоритма машинного обучения будет реализация обновленной версии с добавлением такой опции. Кроме того, можно сказать, что наш алгоритм имеет почти оптимальную точность (около 90%) по сравнению с золотым стандартом, но следует учитывать, что
мы использовали обучающую выборку из около 800 изображений и, как обычно для всех подходов в основе МО, ожидается, что производительность улучшится с большим обучающим набором данных. Наконец, мы не проводили анализ повторяемости и воспроизводимости. Эти моменты должны быть рассмотрены отдельно в дальнейших исследованиях.
Заключение
Этот недавно разработанный алгоритм автоматической оценки положения головки плода с использованием тпУЗИ, основанный на машинном обучении, в большинстве случаев может точно дифференцировать вид затылочного предлежания во втором периоде родов. Он может помочь врачам-гинекологам и акушерам в клиническом использовании тпУЗИ для определения положения затылка плода в родильном отделении. Будущие исследования
должны быть посвящены изучению, в частности, повторяемости и воспроизводимости измерений, а также возможности использования аналогичного подхода для эффективного определения различных видов предлежания, помимо переднего вида затылочного вставления.
Международная исследовательская группа по УЗИ родов (ISLANDS)
Рокко Мордло, Лечче, Италия
Джованни Баттиста Лука Шера, Парма, Италия
Роберто Франчини, Лечче, Италия
Стефания Фиени, Парма, Италия
Мария Джованна Ди Трани, Лечче, Италия
Даниэла Пиньятелли, Лечче, Италия
Анджело Сирико, Рим, Италия
Кэтрин Хун, Гонконг
Лаурентия Дира, Крайова, Румыния
Рони Леви, Реховот, Израиль
Эди Вайсбух. Реховот, Израиль
Кристоф Лис, Лондон, Великобритания
Сана Усман, Лондон, Великобритания
Энрико Лурларо, Милан, Италия
Марта Тондо, Милан, Италия
Элис Винклер, Люцерн, Швейцария
Вассим А. Хассан. Колчестер, Великобритания
Саша Тейлор, Колчестер, Великобритания
Йо Амо Виафе, Кумаси, Гана
Торбьом Моэ Эггебо, Тронхейм, Норвегия
Вольфганг Хенрих, Берлин, Германия
Ларри Хинксон, Берлин, Германия
Эдвин Васо, Медиаш, Румыния