机器学习的新进展可以大幅提高胎儿先天性心脏病的产前诊断能力。
先天性心脏病(CHD)是最常见的出生缺陷,影响约1%的新生婴儿,是发达国家中与出生缺陷有关的婴儿死亡率最大的因素。
产前进行诊断冠心病检测,可以让家庭有所准备和提前决策,也允许对准备分娩的新生儿进行最佳干预和医疗保障。
尽管产科超声成像在过去几十年中取得了实质性进展,但仍有很大一部分先天性心脏病在产前阶段未被发现。
在许多错过产前诊断的妇女中,问题不是缺乏产前护理,而是缺乏对冠心病的认识。
与产前漏诊相关的因素是多种多样的。
由于流出道成像需要更多的技能和训练,因此在子宫内诊断出流出道异常(例如大动脉移位)的频率要比真实的频率低。
最近,美国加利福尼亚州旧金山市加利福尼亚大学的Arnaout及其同事引入了一种新诊断方法--利用深度学习神经网络,其最终目标是通过深度学习衍生的自动化来支持产前筛查。
作为第一步,研究小组在1326例胎儿超声心动图和产科筛查超声图像的基础上,确定了一套胎儿冠心病的训练方案,共进行了400次检查,包括16个主要的冠心病病变。
通过使用神经网络,首先训练模型来识别用于检测冠心病的5个标准视图,然后区分正常和异常。
该模型随后在4000多个附加检查中进行了测试,其中包括400个冠心病胎儿的检查。这项研究考虑了来自社区产科超声和胎儿超声心动图的检查,以最好地模拟真实的情景。
特异性,更重要的是,敏感性在区分异常和正常心脏中是非常重要的。
这项初步研究显示了相当大的前景,人们可以想象,这将如何转化为普通办公软件,在超声系统内部或作为辅助设备使用,
而超声系统已经使用深度学习应用程序来识别心室边界、计算应变和预测冠状动脉疾病的风险。
作者认为,使用这种方法可以将先天性心脏病的产前检测能力提高一倍,这将被视为一种颠覆性的创新,并将极大地改变这一局面。
深度学习有可能为获得这项技术的医疗中心提供公平的竞争环境,特别是对于那些冠心病发病率低的医院,对于那些接触和培训有限的胎儿冠心病超声医生的中心,以及那些社会经济地位较低的人群,他们的母亲既往糖尿病的患病率使他们的病人有更高的患冠心病的风险。
总的来说,这项新的研究清楚地表明,机器学习算法有可能极大地提高心血管和产科成像的效率,可能对患者的额外成本最小。
最终,这些新技术的影响将取决于医学、科学和工业之间的持续沟通和协作,以开发出具有成本效益、易于使用和普遍可用的工具(图1)。
详细内容请参考: