Медицинская литература. Новинки

 

 

 

 

 

 

Алгоритм искусственного интеллекта в оценке сердца плода. Первые этапы разработки НМИЦ АГП имени академика В.И. Кулакова

Вы можете загрузить полный текст статьи в формате pdf

Патология сердечно-сосудистой системы плода – это наиболее распространенный вид врожденных пороков развития, находится на втором месте среди причин младенческой смертности и составляет 47% всех причин смерти от пороков развития. Общепринятый минимальный расчетный показатель частоты врожденных пороков сердца (ВПС) – 8 случаев на 1 тыс. живорожденных (5–9 из 1000 новорожденных).Оценка сердца плода является сложной задачей, главным образом из-за небольшого размера сердца, непроизвольных движений плода, неудобного положения плода.Дифференциальная диагностика нормального сердца плода и сердца с ВПС, требующим кардиохирургической помощи после рождения, является важной, а иногда критически необходимой целью ультразвукового исследования плода.Цель исследования: создание системы поддержки принятия врачебных решений  путем формирования алгоритма осмотра сердца плода с помощью искусственного интеллекта, результатом которого должен стать один из вариантов медицинского заключения: “норма” – правильное строение сердца – ВПС нет; “не норма” – неправильное строение сердца – нельзя исключить наличие ВПС, рекомендована расширенная эхокардиография плода в кратчайшие сроки.Материал и методы. Исследование проводилось на сроке беременности 18–21 нед. Каждое исследование на одного пациента содержало видеофайлы пяти стандартных проекций сердца. Каждый срез представлен не менее чем 25 кадрами. Верификация была выполнена путем подтверждения/изменения диагноза врачом-экспертом, а также подтверждением диагноза после рождения.Результаты. В результате выполнения работ задача определения зон грудной клетки и сердца плода решена с точностью 98%, задача классификации среза сердца на кадре – с точностью 82%, задача определения патологии на срезах сердца – с точностью 77%.Заключение. Результаты показали, что алгоритм искусственного интеллекта может повысить точность ультразвукового диагностики сердца плода и имеет хорошую прикладную ценность. Ожидается, что методы искусственного интеллекта внесут вклад в стандартизацию и оптимизацию эхокардиографии плода, повысят процент пренатальной диагностики ВПС и тем самым приведут к снижению младенческой смертности и детской инвалидизации.

Ключевые слова:
плод человека, врожденные пороки сердца, искусственный интеллект, ультразвуковая пренатальная диагностика, свёрточная нейронная сеть, глубокое обучение, ультразвуковое исследование плода, пренатальная диагностика, fetus, congenital heart defects, artificial intelligence, ultrasound diagnostics, artificial intelligence, convolution neural network, deep learning, fetal ultrasound, prenatal diagnosis

Литература:
1.Бокерия Л.А., Шаталова К.В. Детская кардиохирургия: Руководство для врачей. М.: НЦССХ им. А.Н. Бакулева, 2016: 24–40.
2.Бокерия Е.Л. Перинатальная кардиология: настоящее и будущее. Часть I: Врожденные пороки сердца. Российский вестник перинатологии и педиатрии. 2019; 64 (3): 5–10. https://doi.org/10.21508/1027-4065-2019-64-3-5-10
3.Mcleod G., Shum K., Gupta T. et al. Echocardiography in Congenital Heart Disease. Prog. Cardiovasc. Dis. 2018; 5–6: 468–475. https://doi.org/10.1016/j.pcad.2018.11.004
4.Yoon S.A., Hong W.H., Cho H.J. Congenital heart disease diagnosed with echocardiogram in newborns with asymptomatic cardiac murmurs: A systematic review. BMC Pediatr. 2020; 20: 1–10. https://doi.org/10.1186/s12887-020-02212-8
5.Patel N., Narasimhan E., Kennedy A. Fetal Cardiac US: Techniques and Normal Anatomy Correlated with Adult CT and MR Imaging. Radiographics. 2017; 37 (4): 1290–1303. https://doi.org/10.1148/rg.2017160126
6.Carvalho J.S., Axt-Fliedner R., Chaoui R. et al. ISUOG Practice Guidelines (updated): fetal cardiac screening. Ultrasound Obstet. Gynecol. 2023. 61 (6): 788–803. https://doi.org/10.1002/uog.26224
7.Приказ Министерства здравоохранения РФ от 20 октября 2020 г. N 1130н “Об утверждении Порядка оказания медицинской помощи по профилю “акушерство и гинекология”:. – Официальный интернет-портале правовой информации” (www.pravo.gov.ru) 13 ноября 2020 г. N 0001202011130037 (дата обращения: 13.04.2025). – Текст: электронный.
8.Carvalho J.S., Allan L.D., Chaoui R. et al. ISUOG Practice Guidelines (updated): sonographic screening examination of the fetal heart. Ultrasound Obstet. Gynecol. 2013; 41 (3): 348–359. https://doi.org/10.1002/uog.12403
9.Bak G.S., Shaffer B.L., Madriago E. et al. Impact of maternal obesity on fetal cardiac screening: which follow-up strategy is cost-effective? Ultrasound Obstet. Gynecol. 2020; 56 (5): 705–716. https://doi.org/10.1002/uog.21895
10.Friedberg M.K., Silverman N.H., Moon-Grady A.J. et al. Prenatal detection of congenital heart disease. J. Pediatr. 2009; 155 (1): 26–31, 31.e1. https://doi.org/10.1016/j.jpeds.2009.01.050
11.Sekar P., Heydarian H.C., Cnota J.F. et al. Diagnosis of congenital heart disease in an era of universal prenatal ultrasound screening in southwest Ohio. Cardiol. Young. 2015; 25 (1): 35–41. https://doi.org/10.1017/S1047951113001467
12.Donofrio M.T., Moon-Grady A.J., Hornberger L.K. et al. Diagnosis and treatment of fetal cardiac disease: a scientific statement from the American Heart Association. American Heart Association Adults With Congenital Heart Disease Joint Committee of the Council on Cardiovascular Disease in the Young and Council on Clinical Cardiology, Council on Cardiovascular Surgery and Anesthesia, and Council on Cardiovascular and Stroke Nursing. Circulation. 2014; 27; 129 (21): 2183–2242. https://doi.org/10.1161/01.cir.0000437597.44550.5d
13.Tuncalp ?., Pena-Rosas J.P., Lawrie T. et al. WHO recommendations on antenatal care for a positive pregnancy experience – going beyond survival. BJOG. 2017; 124 (6): 860–862. https://doi.org/10.1161/01.cir.0000437597.44550.5d
14.Baumgartner C.F., Kamnitsas K., Matthew J. et al. SonoNet: Real-Time Detection and Localisation of Fetal Standard Scan Planes in Freehand Ultrasound. IEEE Trans. Med. Imaging. 2017; 36 (11): 2204–2215. https://doi.org/10.1109/TMI.2017.2712367
15.Sklansky M., DeVore G.R. Fetal Cardiac Screening: What Are We (and Our Guidelines) Doing Wrong? J. Ultrasound Med. 2016; 35 (4): 679–681. https://doi.org/10.7863/ultra.15.07021
16.Sun H.Y., Proudfoot J.A., McCandless R.T. Prenatal detection of critical cardiac outflow tract anomalies remains suboptimal despite revised obstetrical imaging guidelines. Congenit. Heart Dis. 2018; 13 (5): 748–756. https://doi.org/10.1111/chd.12648
17.Garcia-Canadilla P., Sanchez-Martinez S., Crispi F. et al. Machine Learning in Fetal Cardiology: What to Expect. Fetal Diagn. Ther. 2020; 47 (5): 363–372. https://doi.org/10.1159/000505021
18.Arnaout R., Curran L., Zhao Y. et al. An ensemble of neural networks provides expert-level prenatal detection of complex congenital heart disease. Nat. Med. 2021; 27 (5): 882–891. https://doi.org/10.1038/s41591-021-01342-5
19.Artificial intelligence technologies. United Kingdom Engineering and Physical Sciences Research Council. Accessed December 12, 2022. https://epsrc.ukri.org/research/ourportfolio/researchareas/ait/
20.He F., Wang Y., Xiu Y.et al. Artificial intelligence in prenatal ultrasound diagnosis. Front. Med. 2021; 8: 729978. https://doi.org/10.3389/fmed.2021.729978
21.Zhang L., Ye X., Lambrou T. et al. A supervised texton based approach for automatic segmentation and measurement of the fetal head and femur in 2D ultrasound images. Phys. Med. Biol. 2016; 61 (3): 1095–1115. https://doi.org/10.1088/ 0031-9155/61/3/1095
22.Li P., Zhao H., Liu P., Cao F. Automated measurement network for accurate segmentation and parameter modification in fetal head ultrasound images. Med. Biol. Eng. Comput. 2020; 58 (11): 2879–2892. https://doi.org/10.1007/s11517-020-02242-5
23.van den Heuvel T.L.A., Petros H., Santini S. et al. Automated fetal head detection and circumference estimation from free-hand ultrasound sweeps using deep learning in resource-limited countries. Ultrasound Med. Biol. 2019; 45 (3): 773–785. https://doi.org/10.1016/j.ultrasmedbio.2018.09.015
24.Sinclair M., Baumgartner C.F., Matthew J. et al. Human-Level Performance on Automatic Head Biometrics in Fetal Ultrasound Using Fully Convolutional Neural Networks. IEEE. 2018; 714–717. https://doi.org/10.48550/arXiv.1804.09102
25.Nurmaini S., Rachmatullah M.N., Sapitri A.I. et al. Deep Learning-Based Computer-Aided Fetal Echocardiography: Application to Heart Standard View Segmentation for Congenital Heart Defects Detection. Sensors (Basel). 2021; 21 (23): 8007. https://doi.org/10.3390/s21238007
26.Han G., Jin T., Zhang L. et al. Adoption of Compound Echocardiography under Artificial Intelligence Algorithm in Fetal Congenial Heart Disease Screening during Gestation. Bionics Biomech. 2022: 2022: 6410103. https://doi.org/10.1155/2022/6410103
27.Wu H., Wu B., Lai F. et al. Application of Artificial Intelligence in Anatomical Structure Recognition of Standard Section of Fetal Heart. Comput. Math. Methods. Med. 2023. 24; 2023: 5650378. https://doi.org/10.1155/2023/5650378

Artificial intelligence in evaluating the fetal heart. The first stages of development of the Moscow Kulakov National Medical Research Center for Obstetrics, Gynecology and Perinatology

Pathology of the fetal cardiovascular system is the most common type of congenital malformations and is in second place among the causes of infant mortality and accounts for 47% of all causes of death from malformations.The effectiveness and result of cardiac surgery largely depend on the earliest diagnosis of heart disease, on the readiness of medical staff to provide medical care to a newborn with CHD and on the ability to arrange timely transportation of a newborn to a cardiac surgery center as soon as possible.Fetal heart assessment is a difficult task, mainly due to the small size of the heart, involuntary fetal movements, and lack of experience in fetal echocardiography by some ultrasound specialistsThe objective of our study is to create a medical decision support system by forming an algorithm for examining the fetal heart using AI. The result of which should be one of the medical opinion options: “normal” – correct heart structure – no congenital heart disease; “not normal” – abnormal heart structure – the presence of congenital heart disease cannot be ruled out, extended fetal echocardiography is recommended as soon as possible.One of the tasks of our work was: the formation of an algorithm for examining the fetal heart using AI, the result of which should be one of the options for a medical conclusion: “norm” – correct heart structure – there is no CHD; “not norm” – incorrect heart structure – the presence of CHD cannot be excluded, extended fetal echocardiography is recommended as soon as possible.Research methodology: The study was conducted at the gestation period of 18–21 weeks. Each study per patient contained video files of five standard projections of the heart. Each slice is represented by at least 25 frames. Verification was performed by confirming/changing the diagnosis by an expert doctor, as well as confirming the diagnosis after birth.As a result of the work, the task of determining the zones of the chest and heart of the fetus was solved with an accuracy of 98%; the task of classifying the slice of the heart on the frame was solved with an accuracy of 82%, the task of determining pathology on the slices of the heart was solved with an accuracy of 77%.Conclusions: The results showed that the artificial intelligence algorithm can improve the accuracy of ultrasound diagnosis of the fetal heart and has good applied value. It is expected that artificial intelligence methods will contribute to the standardization and optimization of fetal echocardiography, increase the percentage of prenatal diagnosis of CHD, and thereby lead to a decrease in infant mortality and childhood disability.

Keywords:
плод человека, врожденные пороки сердца, искусственный интеллект, ультразвуковая пренатальная диагностика, свёрточная нейронная сеть, глубокое обучение, ультразвуковое исследование плода, пренатальная диагностика, fetus, congenital heart defects, artificial intelligence, ultrasound diagnostics, artificial intelligence, convolution neural network, deep learning, fetal ultrasound, prenatal diagnosis