ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В АКУШЕРСТВЕ ДЛЯ ДИАГНОСТИРОВАНИЯ ПОРОКОВ РАЗВИТИЯ ПЛОДА И ПРОФИЛАКТИКИ ВОЗНИКНОВЕНИЯ ЗАБОЛЕВАНИЙ

Литвинова Е.В., Носкова О.В.

Донецкий национальный медицинский университет имени М. Горького,
г. Донецк, Россия

ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В АКУШЕРСТВЕ ДЛЯ ДИАГНОСТИРОВАНИЯ ПОРОКОВ РАЗВИТИЯ ПЛОДА И ПРОФИЛАКТИКИ ВОЗНИКНОВЕНИЯ ЗАБОЛЕВАНИЙ

Цель работы – изучить возможности использования искусственного интеллекта в акушерстве для диагностирования пороков развития плода и профилактики возникновения различных заболеваний.
Материалы и методы работы. Поиск научной информации проводился с использованием отечественных и зарубежных интернет-ресурсов сети Google Scholar, PubMed, Medscape, баз данных Scopus и Web of Science и т.п.; а также на веб-страницах международных медицинских организаций по определенным ключевым словам: искусственный интеллект, использование искусственного интеллекта в акушерстве и гинекологии, диагностика пороков развития плода, профилактика гинекологических заболеваний, УЗИ в акушерстве и гинекологии, триместры беременности, телемедицина в акушерстве и гинекологии. Глубина поиска составила 10 лет.
Результаты. Показана эффективность применения искусственного интеллекта и различных алгоритмов на его основе для улучшения анализа двумерных (2D) и трехмерных (3D) УЗИ изображений структур плода, оценки функций органов и диагностики заболеваний. Определены преимущества применения искусственного интеллекта в УЗИ в акушерстве, а также недостатки и перспективы его использования.
Показаны значительные успехи в применении искусственного интеллекта в области акушерства и гинекологии с определением необходимости дальнейших исследований и усовершенствований в отношении достижения универсальности и улучшения эффективности многих разработанных моделей. Указано, что в проведенных исследованиях было применено значительное количество механизмов для преодоления дилеммы ограниченной точности, среди которых применена разработка ансамблевых алгоритмов, использование ультразвуковых видео, учет особенностей в дополнительных методах визуализации и другие.
Доказано, что разработка алгоритмов телемедицинской службы УЗИ плода может объединить специализированный центр фетальной медицины и дистанционное акушерское отделение, что позволит обеспечить высококачественное УЗИ и быстрое консультирование специалиста, а также значительно сократить расходы семьи и время на доставку пациента в больничное учреждение. Также показано, что эти методики полезны при проведении транснациональных консультаций ввиду того, что услуги телемедицины и теледиагностики могут значительно повысить доступ к диагностическому акушерскому УЗИ в условиях ограниченных ресурсов. При этом, при получении медицинского образования по акушерству и гинекологии телемедицина и виртуальная реальность становятся новым способом обучения УЗИ на основе симуляции, что значительно улучшает эффективность обучения и сохранения знаний во время обучения.
Заключение. Таким образом, использование искусственного интеллекта при проведении УЗИ плода на разных триместрах беременности помогает клиницистам в диагностике различных состояний и заболеваний, поскольку позволяет повысить эффективность, уменьшить количество ошибочных и пропущенных диагнозов, эффективно улучшить качество медицинских услуг и, наконец, принести пользу пациентам.

Ключевые слова: УЗИ плода; искусственный интеллект; алгоритмы искусственного интеллекта; пороки развития; 4 триместр 

Litvinova E.V., Noskova O.V.

Donetsk National Medical M. Gorky University,
Donetsk, Russia

USING ARTIFICIAL INTELLIGENCE IN OBSTETRICS TO DIAGNOSE FETAL MALFORMATIONS AND PREVENT DISEASES

The purpose of the work – studying the possibilities of using artificial intelligence in obstetrics to diagnose fetal malformations and prevent the occurrence of various diseases.
Materials and methods of work. The search for scientific information was conducted using domestic and foreign Internet resources of Google Scholar, PubMed, Medscape, Scopus and Web of Science databases, etc., as well as on the web pages of international medical organizations. as well as on the web pages of international medical organizations using certain keywords: artificial intelligence, use of artificial intelligence in obstetrics and gynecology, diagnosis of fetal malformations, prevention of gynecological diseases, ultrasound in obstetrics and gynecology, trimesters of pregnancy, telemedicine in obstetrics and gynecology The depth of the search was 10 years.
Results. The effectiveness of using artificial intelligence and various algorithms based on it to improve the analysis of two-dimensional (2D) and three-dimensional (3D) ultrasound images of fetal structures, assessment of organ function and diagnosis of diseases was proved. The advantages of the application of artificial intelligence in ultrasound in obstetrics, as well as the disadvantages and prospects of its use are determined.
Significant advances in the application of artificial intelligence in obstetrics and gynecology are shown, identifying the need for further research and improvements with respect to achieving universality and improving the effectiveness of many of the models developed. It is indicated that the studies conducted have applied a significant number of mechanisms to overcome the dilemma of limited accuracy, among which the development of ensemble algorithms, the use of ultrasound videos, the incorporation of features in complementary imaging techniques and others have been applied.
It is proved that the development of algorithms for telemedicine fetal ultrasound service can combine a specialized fetal medicine center and a remote obstetric department, which will provide high-quality ultrasound and rapid specialist consultation, as well as significantly reduce family costs and time to get the patient to a hospital facility. In addition, these techniques are shown to be useful in transnational consultations due to the fact that telemedicine and telediagnostic services can significantly increase access to diagnostic obstetric ultrasound in resource-limited settings. Meanwhile, in medical education in obstetrics and gynecology, telemedicine and virtual reality become a new way of simulation-based ultrasound training, which significantly improves learning efficiency and knowledge retention during training.
Conclusion. Thus, the use of artificial intelligence in fetal ultrasound in different trimesters of pregnancy helps clinicians in the diagnosis of various conditions and diseases, as it can increase efficiency, reduce the number of misdiagnoses and missed diagnoses, effectively improve the quality of medical services and, finally, benefit patients.

Key words: fetal ultrasound; artificial intelligence; artificial intelligence algorithms; malformations; trimester

Для повышения качества ведения беременности и предупреждения пороков развития плода в течение всего периода беременности широко применяют ультразвуковое исследование (УЗИ). Использование УЗИ определяет решающее значение в обеспечении нормального развития плода и течения беременности путем тщательного наблюдения за ростом и развитием плода, а также в диагностике и лечении пороков развития плода и возникновения различных патологий течения беременности и разнообразных заболеваний. Как указали Abinader R. et al. [1], применение УЗИ позволяет получить детальную информацию об анатомии плода с высококачественными изображениями и повышенной диагностической точностью.
На сегодня повсеместно применяют как двумерное (2D), так и трехмерное (3D) УЗИ изображения для измерения структур плода, оценки функций его органов и систем и для диагностики возникновения различных заболеваний, на что указывают в своих работах Ondeck C.L. et al. [2], Bellussi F. et al. [3] и другие исследователи. Одной из предпосылок получения этих данных является доступ к качественному акушерскому УЗИ изображению, что является важным аспектом точной диагностики и лечения пороков развития и заболеваний. Однако, для получения качественной информации существует целый ряд препятствий, среди которых основными являются непроизвольные движения плода на ранней стадии беременности и достаточно частая невозможность полной идентификации структур органов и систем плода во втором и третьем триместрах, что может вызвать значительные трудности для обследования, и спровоцировать неправильную диагностику пороков и заболеваний плода. Кроме того, значительными препятствиями является определенная субъективность измерений и наблюдений, что влияет на получение высококачественных УЗИ изображений, стандартных измерений и точной диагностики.
Для нивелирования этих затруднений и уменьшения возможных информационных вариаций между различными наблюдателями, а также для повышения точности диагностирования в последние годы применяются механизмы автоматического измерения и оценки на основе искусственного интеллекта (ИИ) [4, 5].
Цель работы – изучить возможности использования искусственного интеллекта в акушерстве для диагностирования пороков развития плода и профилактики возникновения различных заболеваний.

МАТЕРИАЛЫ И МЕТОДЫ

Поиск научной информации проводился с использованием отечественных и зарубежных интернет-ресурсов сети Google Scholar, PubMed, Medscape, баз данных Scopus и Web of Science и т.п.; а также на веб-страницах международных медицинских организаций по определенным ключевым словам: искусственный интеллект, использование искусственного интеллекта в акушерстве и гинекологии, диагностика пороков развития плода, профилактика гинекологических заболеваний, УЗИ в акушерстве и гинекологии, триместры беременности, телемедицина в акушерстве и гинекологии. Глубина поиска составила 10 лет.

РЕЗУЛЬТАТЫ

Применение ИИ может обеспечивать обоснование правильных клинических решений путем получения высококачественных УЗИ изображений. Несмотря на то, что УЗИ широко используется в акушерстве и гинекологии, применение ИИ все еще находится на стадии развития. Несмотря на это, при проведении повторяющихся УЗИ (автоматическое позиционирование и идентификация структур плода) или прогнозировании гестационного возраста и проверки качества УЗИ изображения в реальном времени ИИ имеет достаточно большой потенциал, так как он позволяет провести точную и автоматическую сегментации УЗИ данных, что имеет важное значение для получения высококачественного поверхностного соответствия, а сегментация на основе нулевого сигнала значительно упрощает выявление структурных особенностей плода.
Определено, что использование ИИ для повышения точности получения качественного УЗИ изображения в акушерстве включает три основных аспекта: улучшение структурной идентификации, автоматические и стандартизированные измерения и классификационная диагностика. Кроме того, как указали Espinoza J. et al. [6] и Dhombres F. et al. [7], использование ИИ при проведении УЗИ в акушерстве значительно уменьшает время обследования и улучшает общий процесс диагностирования пороков развития плода и возникновения заболеваний.
Учитывая, что УЗИ значительно различается в разных триместрах беременности, использование ИИ в акушерском УЗИ распределяют потриместрово: первый, второй и третий триместры.
Использование ИИ в первом триместре беременности используется в первую очередь для автоматической оценки роста и развития плода, что имеет решающее значение для диагностики и лечения различных осложнений нормального течения беременности, к которым в первую очередь следует отнести преждевременные роды и низкий вес новорожденного. Обычно, без применения ИИ, оценка роста плода заключается в измерении длины темени и горба с помощью 2D УЗИ. Однако, есть определенная субъективная зависимость от 2D УЗИ одноразовых измерений, что может «пропустить» наличие существенной разницы в длине темени и горба между нормальными и аномальными в первом триместре. При этом, применение трехмерного УЗИ изображения при измерении объема является более информативным для определения особенностей развития плода по сравнению с 2D УЗИ, однако, получение 3D изображения занимает значительно больше времени, а оценка объема с помощью полученных изображений может быть недооценена без применения ИИ.
Поэтому и был введен полуавтоматический метод вычисления объемов плода при применении 3D УЗИ, который основан на выделении пикселей и выявлении отдельных точек. Как указываютSmeets N.A. et al. [8], с помощью данного метода появилась возможность распознать у 12-недельного плода его контуры и вычислить объемы, подтверждая эффективность 3D УЗИ изображений для точности идентификации. Однако, данный полуавтоматический алгоритм не дает возможности идентифицировать нестандартные элементы, а некоторые недостатки сегментации требуют ручной корректировки. Решение данной проблематики было найдено Yang X. et al. [9], которые применили алгоритм 3D УЗИ сверточной нейронной сети для реализации синхронной полностью автоматической сегментации многих анатомических структур, включая плод, гестационный мешок и плаценту, что и было реализовано и подтверждено соответствующими исследованиями измерения объема 104 плодов и придатков плода в первом триместре (10-14 недель).
Ryou H. et al. [10] предложили другое решение данной проблемы обработки изображений на основе 3D УЗИ, что включало сегментацию плода, оценку стандартных биометрических изображений, автоматическое измерение биометрии и выявление конечностей плода.
Кроме того, первый триместр беременности требует оценки толщины затылочной прозрачности, которое проводят с помощью 2D УЗИ, что имеет решающее значение для выявления хромосомных пороков развития. Толщина затылочной прозрачности представляет собой максимальную толщину между кожей плода и подкожными мягкими тканями на уровне шейного отдела позвоночника, которую необходимо измерять с помощью стандартного срединного сагиттального изображения. Однако при использовании 2D УЗИ это требует высокой степени точности и значительного опыта специалиста. Из-за достаточно маленьких структур плода, частых его шевелений и низкого качества 2D УЗИ изображения измерение толщины затылочной прозрачности обычно требует нескольких попыток. Для уменьшения погрешностей измерения и уменьшения трудностей при проведении исследования Moratalla J. et al. [11] предложили измерять толщину затылочной прозрачности плода с использованием полуавтоматических механизмов, а полученные результаты УЗИ сравнивать с ручными измерениями.
В свою очередь, Nie S. et al. [12] предложили измерять толщину затылочной прозрачности плода с использованием стандартного медианного сагиттального изображения в сочетании с глубокой доверительной сетью (Deep Belief Networks), представляющей собой графическую модель или один из типов глубинных нейронных сетей, состоящий из нескольких скрытых слоев, в которых нейроны внутри одного слоя не связаны друг с другом, а связаны с нейронами соседнего слоя. Таким образом, модель автоматического распознавания была построена путем объединения информации о сагиттальной плоскости и полных данных 3D УЗИ изображений, что позволило достичь точности полученных результатов в 88,6% случаев.
Применение УЗИ с ИИ во втором и третьем триместрах используют, в первую очередь, для оценки головки плода и ее внутреннего строения. Так, пренатальное УЗИ головки плода имеет решающее значение для оценки его роста и развития, выявления аномалий и коррекции существующих внутриутробных состояний, а также для предупреждения развития заболеваний и внутриутробного замирания плода. При этом, мозг плода является одним из органов, который имеет самую трудную оценку при проведении пренатального УЗИ, а применение ИИ при УЗИ головного мозга плода помогает решить данную проблематику, включая биометрию головы плода, измерение объема черепа, полностью автоматическую сегментация окружности головы и внутренней структуры, а также классификацию нормальных и аномальных ультразвуковых особенностей.
Автоматическая сегментация головки плода и его внутреннего строения является основным индикатором его роста, где возникающие аномальные значения могут диагностировать определенные ограничения роста. Измерение этого и других показателей (бипариетальный диаметр, например) также может указывать на точный срок беременности. Кроме того, данное исследование может точно определить краниоцеребральное развитие и выявить внутричерепные пороки развития плода с помощью нескольких измерений и получения нескольких срезов. На сегодня, большинство ультразвуковых аппаратов уже настроены на полуавтоматическое измерительное программное обеспечение для измерения данного параметра посредством определения локализации двух точек (обычно для точки расположения короткого диаметра на участке бипариетального диаметра), что может привести к определенным погрешностям измерения. Для решения этого вопроса Sobhaninia Z. et al. [13] разработали новые механизмы, основанные на методах глубокого обучения (ИИ). Так, в результате исследования, где применялся протокол акушерского сканирования для достижения полностью автоматического анализа без получения стандартной плоскости с использованием двух полных сверхточных нейронных сетей (является разновидностью сети глубокого обучения, применяющих последовательность сверхточных и объединительных слоев для извлечения информации из изображения, после чего эти характеристики подаются в один или несколько полностью связанных слоев для прогноза или классификации) было достигнуто препятствие возникновению ошибок, возникающих при стандартном сканировании.
Другие исследования использовали систему автоматизированного проектирования и включили данные, полученные во всех триместрах беременности, на основании чего Van den Heuvel T.L.A. et al. [14, 15] установили и описали кривую роста и подтвердили необходимость оценки результатов для каждого триместра отдельно, что было экономически выгодным и клинически эффективным. В свою очередь, Yang Х. et al. [16] предложили полностью автоматизированное решение для сегментации всей головки плода на основе 3D ультразвука (в результате было достигнуто 96% коэффициента сходства Дайса) для обеспечения основы для извлечения репрезентативной биометрии в головке плода. С помощью данного метода они установили и указали возможности автоматического сегментирования анатомических структур плода и продемонстрировали способность к сегментации окружности головки и живота плода [17].
Также проводились исследования по точному сегментированию внутренних структур головки плода, на основании которых Chen X. et al. [18] и Pluym I.D. et al. ]19] изучили и описали боковые желудочки, трансцеребеллярную и большую цистерны, задний рог бокового желудочка и др. Большинство проведенных исследований базировались на алгоритмах глубокого обучения и других возможностях ИИ.
Кроме вышесказанного, широко применяются автоматическое распознавание и вспомогательная оценка структур лица плода с помощью УЗИ, что регулярно выполняется во время пренатальной диагностики для выявления различных пороков развития. Однако при проведении данного исследования с использованием 2D УЗИ изображения нужно было тратить значительное количество времени для правильного позиционирования, а также отмечалось частое закрытие структур лица конечностями или пуповиной. Несмотря на это, с помощью 2D УЗИ изображения можно было определить большинство деформаций лица (при необходимости с дополнением 3D УЗИ изображений), но все же отмечались значительные трудности при диагностировании незначительных деформаций лица.
Для преодоления этого также был применен ИИ, который эффективно дополнял диагностирование при распознавании лица плода, его черепно-лицевого развития и выявления врожденных пороков развития. Так, метод глубокой сверточной нейронной сети эффективно применялся для реализации автоматического распознавания аксиальной, корональной и сагиттальной плоскостей лица, что, как указали Yu Z. et al. [20], достаточно эффективно сократило необходимое время распознавания разреза с увеличением эффективности распознавания до 96,99%.
Другие исследователи применяли технологию регистрации изображений используя центральные области головы и глаз, как характерные точки для устранения существующих вариаций в положении, ориентации и размере плода. Как показали Tsai P.Y. et al. [21], в дальнейшем с использованием технологии ИИ были автоматически очерчены черепно-лицевые структуры с помощью метода сегментации, что позволило точно измерить и оценить лицо плода с помощью пяти черепно-лицевых диаметров (бипариетальный, затылочно-фронтальный, межглазничный, двусторонний орбитальный и орбитально-кальварный).
Следует указать, что, кроме оценки развития лица плода и его пороков развития, ИИ также применяют для увеличения эффективности диагностики при обработке изображений УЗИ. Так, автоматическая навигационная система лица плода Smart Face, разработанная в Китае, позволяет автоматически распознавать основные черты лица в полученных данных 3D УЗИ изображения и устранять окклюзии лица, а также оптимизировать углы зрения. Данная оптимизация предусматривает получение многокадровых секций изображения головки плода, определение краев, распознавание контуров лица и устранение его окклюзии.
Кроме того, ИИ применяют для автоматического распознавания мозговых структур плода для диагностики и прогнозирования широкого спектра возможных заболеваний. Так, при диагностировании задержки роста плода ученые использовали ИИ для обработки 3D УЗИ изображений головного мозга и измерения черепно-мозгового объема (включая мозжечок, головной мозг и лобную область), что позволило определить разницу между черепно-мозговыми объемами аномально маленьких и нормальных плодов. Однако исследование Caetano A.C. et al. [22] не достигло полностью автоматической церебральной сегментации и распознавания формы черепа. Другое исследование применило полуавтоматические механизмы на основе ИИ-обучения для выявления возрастных заболеваний и определения их взаимосвязи со зрелостью нервной системы с помощью анализа черепно-мозговых ультразвуковых срезов плода, что, по определению Namburete A.I. et al. [23], позволило получить новые показатели развития плода путем простого наблюдения черепно-мозговых морфологических изменений.
Также применение ИИ в диагностике черепно-мозговых пороков развития плода использовали при разработке новейших аппаратов УЗИ (например, Resona 7, Mindary, Shenzhen, China), что позволило не только достичь автоматического распознавания черепно-мозговых внутренних структур, но и помогло в диагностике различных заболеваний, на что и указали в своей работе Grandjean A.G. et al. [24]. Данная система УЗИ может использоваться для диагностики частичной агенезии мозолистого тела (определение его структуры), мальформации Денди-Уокера и других заболеваний, связанных с мозжечком. Также, другие проведенные исследования определили эффективность использования комбинированных алгоритмов (U-net для сегментации (сверточная нейронная сеть, которая была разработана для сегментации биомедицинских изображений) и VGG-net (модель сверточной нейронной сети) для классификации) для диагностики заболеваний головного мозга плода (включая вентрикуломегалию, гидроцефалию, кисту Блейка, мальформацию Денди-Уокера) и мозжечка (гипоплазия вермиса). В свою очередь, Xie B. et al. [25] указали, что эти алгоритмы были эффективными для сегментации черепно-мозговой области, классификации и локализации поражений при УЗИ аномалий головного мозга плода.
Ряд исследований подтвердил эффективность использования ИИ для точного распознавания и измерения структур брюшной полости плода, срез которых можно использовать для оценки роста и развития плода. Из-за низкого контраста брюшной полости плода на акустических изображениях и наличия нерегулярных абдоминальных эхосигналов, измерение объема брюшной полости является более сложным по сравнению с измерением объема головы. Однако, как считают Jang J. et al. [26], использование ИИ для идентификации структур и измерения объема брюшной полости подобны измерению структур головы, но главным отличием, которое затрудняет исследование, является влияние амниотической жидкости. Так, Chen H. et al. [27] реализовали системную модель автоматического позиционирования стандартных отделов брюшной полости плода на динамическом УЗИ изображении и соответствующем измерении объема брюшной полости. Весь процесс состоял из использования сверточной нейронной сети и U-Net, что значительно повышало точность и эффективность измерений.
Также, ИИ эффективно применяют для анализа текстуры изображений УЗИ легких плода. Данные исследования являются залогом диагностирования аномалий развития легких плода, что является самой распространенной причиной недоношенности и неонатальной смерти. Так, Cobo T. et al. [28] сообщили, что разработка программного обеспечения на основе ИИ для автоматического количественного ультразвукового анализа (AQUA) позволила получить изображение текстуры легких плода в формате DICOM, проанализировать существующие особенности и выделить 30 основных признаков с наиболее вероятными корреляциями между признаками. По полученным результатам, текстура легких плода не зависела от расположения исследуемой области, размера и ориентации легких и конкретного ультразвукового инструментария или его частоты. В другом исследовании Ghorayeb S.R. et al. [29] указали на эффективность применения программного обеспечения AQUA для диагностики недоношенных легких плода или прогнозирования возникновения неонатальных респираторных заболеваний, и установили, что неоднородность легких плода на изображениях УЗИ у недоношенных младенцев была снижена, тогда как неоднородность легких плода у доношенных младенцев была повышенной, что способствовало ранней диагностике дисплазии легких. На эффективность данного программного обеспечения указали в своих работах и Perez-Moreno A. et al. [30], которые диагностировали различные клинические ситуации (включая диагностирование патологических процессов в проксимальных и дистальных отделах легких плода) на УЗИ аппаратах различных марок.
Кроме вышеупомянутого, ИИ эффективно используют для анализа и диагностики заболеваний при проведении Эхокардиографии плода. На сегодня ИИ применяют для определения объема сердца плода, атриовентрикулярного распознавания, измерения толщины стенки желудочка, диагностики различных заболеваний, а также для проектирования системы интеллектуальной навигации сердца плода. Так, Arnaout R. et al. [31] определили, что использование ИИ для точного распознавания и сегментации сердечных полостей позволяет эффективно выявлять врожденные пороки сердца плода (синдром гипоплазии левых отделов, дефекты эндокардиальной подушки и большие дефекты межпредсердной/желудочковой перегородки). При этом, Femina M. et al. [32] указали на определенные артефакты, которые влияли на распознавание и анализ изображений сердца плода, среди которых основными были потеря контура, шум и неравномерная интенсивность. Хотя, по мнению Chaoui R. et al, [33], данные особенности легко нивелируются применением техники ИИ, что способствует стандартизации и оптимизации Эхокардиографии плода.
Следует указать, что качество изображения и его контроль были важными факторами для оценки Эхокардиографии плода. Для достижения точной сегментации и распознавания структуры сердца плода, независимо от изображений или видео, применяли различные алгоритмы. При этом, Bridge C.P. et al. [34] констатировали, что видимость, положение, ориентация и плоскость сердца плода на УЗИ изображениях были именно теми параметрами, которые требовали пристального внимания. Хорошие результаты сегментации получили Xu  L. et al., которые предложили алгоритм сегментации апикальной четырехкамерной проекции при эхокардиографии плода с помощью сквозной DW-Net (состоит из DCC и W-Net) для точного определения местонахождения и уточнения точных границ. По мнению Xu L. et al. [35], данный алгоритм удачно нивелировал влияние артефактов, спекл-шума и отсутствующих границ и достиг коэффициента сходства Дайса 0,827.
В свою очередь, в своих исследованиях Dong J. et al. [36] отметили эффективность применения структуры глубокого обучения, которая была основана на базовой сверточной нейронной сети (реализовывала сегментацию четырехкамерной плоскости), более глубокой сверточной нейронной сети (помогала масштабированию и усилению) и системе ARVBNet (агрегированная остаточная визуальная блок-сеть) для выявления ключевых структур, что в целом позволило улучшить оценку качества Эхокардиографии плода. Данный метод, по мнению Dong J. et al., позволяет распознать внутренние структуры сердца плода, оценить, было ли распознавание правильным, и предоставить общую оценку.
Следует указать, что несмотря на множество проведенных исследований, направленных на повышение диагностической эффективности ишемической болезни сердца, ее аномальные анатомические морфологические изменения значительно ограничивали достоверность полученных результатов, особенно для достаточно сложных ишемий. Для решения этого вопроса Barreto E.Q. et al. [37] предложили применять выявление косвенных признаков (оценка объемов и толщины стенок желудочков) или более полное выявление анатомических структур сердца. Для этого была разработана интеллектуальная система визуализации сердца плода на основе ИИ, основанная на пространственно-временной корреляции изображений (STIC), которая идентифицировала дугу артериального протока плода и постепенно реализовывала изображения отдельных секций скрининга сердца плода. Для этой системы было разработано программное обеспечение VOCAL, которое базировалось на системе STIC и применялось для измерения объема межжелудочковой перегородки с помощью 3D-визуализации с последующей оценкой корреляций между отдельными показателями, на что и указали Rolo L.C. et al. [38]. Данная система, благодаря использованию ИИ для диагностики пороков сердца плода, использует значительные наборы данных, предварительно подтвержденных нормальных и аномальных изображений сердца плода в сочетании с облачными вычислениями.
Другой типичной системой на основе ИИ для диагностики пороков сердца плода было программное обеспечение Fetal Intelligent Navigation Echocardiography (FINE), использующее технологию интеллектуальной навигации на наборах данных STIC, что и отметили Yeo L. et al. [39]. Как они указали, в этой системе было проанализировано девять стандартных изображений фетальной эхокардиографии, которые были созданы автоматически (четырехкамерный вид, пятикамерный вид, срез выходного тракта левого желудочка, короткая ось аорты/срез выходного тракта правого желудочка, трехсосудистый срез, брюшная полость/срез желудочного пузыря, срез дуги артериального протока, срез дуги аорты и срез верхней и нижней полых вен). Несколько дальнейших исследований эффективно использовали технологию FINE для диагностирования фетальной тетрады Фалло в сочетании с атрезией легких. В дальнейшем, на этих исследованиях компания Mindray разработала интеллектуальную систему визуализации сердца плода для стандартных разделов данных измерения трехмерного объема плода. Данная система была способна полуавтоматически определять шесть стандартных секций (обычно используемых при обследовании сердца плода) в соответствии с положением четырехкамерной контрольной точки, которую вручную вводил пользователь для повышения эффективности проверки.
В целом следует отметить, что на сегодняшний день были достигнуты значительные успехи в применении ИИ в области акушерства и гинекологии, но универсальность и эффективность многих разработанных моделей еще требует дальнейших исследований и усовершенствований. Для того, чтобы преодолеть дилемму ограниченной точности, было применено значительное количество механизмов. Среди них, как указали Xie H.N. et al. [40] успешно применялась разработка ансамблевых алгоритмов или, как указали Shozu K. et al. [41] и Dozen A. et al. [42], использование ультразвуковых видео и, по данным Torrents-Barrena J. et al. [43], учет особенностей в дополнительных методах визуализации и другие.
Необходимо указать, что методы акушерского УЗИ, связанные с ИИ, постоянно обновляются и играют важную роль и в других сферах деятельности, связанной с акушерством (образование, социальная поддержка и т.д.). Например, как указали Smith V.J. et al. [44], разработка алгоритмов телемедицинской службы УЗИ плода может объединить специализированный центр фетальной медицины и дистанционное акушерское отделение, что позволит обеспечить высококачественное УЗИ и быстрое консультирование специалиста, а также значительно сократить расходы семьи и время на доставку пациента в больничное учреждение. Кроме того, по мнению Toscano M. et al. [45], эти методики являются полезными при проведении транснациональных консультаций ввиду того, что услуги телемедицины и теледиагностики могут значительно повысить доступ к диагностическому акушерскому УЗИ в условиях ограниченных ресурсов. При этом, как указывают Ebert J. et al. [46] и Popovici R. et al. [47], при получении медицинского образования по акушерству и гинекологии телемедицина и виртуальная реальность становятся новым способом обучения УЗИ на основе симуляции, что значительно улучшает эффективность обучения и сохранения знаний во время обучения.

ВЫВОДЫ

Таким образом, использование ИИ при проведении УЗИ плода на разных триместрах беременности помогает клиницистам в диагностике различных состояний и заболеваний, поскольку позволяет повысить эффективность, уменьшить количество ошибочных и пропущенных диагнозов, эффективно улучшить качество медицинских услуг и, наконец, принести пользу пациентам.

Информация о финансировании и конфликте интересов

Исследование не имело спонсорской поддержки.
Авторы декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с публикацией настоящей статьи.

ЛИТЕРАТУРА / REFERENCES:

1.      Abinader R, Warsof SL. Benefits and pitfalls of ultrasound in obstetrics and gynecology. Obstet Gynecol Clin North Am. 2019; 46: 367. doi: 10.1016/j.ogc.2019.01.011
2.      Ondeck CL, Pretorius D, McCaulley J, Kinori M, Maloney T, Hull A, Robbins SL. Ultrasonographic prenatal imaging of fetal ocular and orbital abnormalities. Surv Ophthalmol. 2018; 63: 745–53. doi: 10.1016/j.survophthal.2018.04.006
3.      Bellussi F, Ghi T, Youssef A, Salsi G, Giorgetta F, Parma D, et al. The use of intrapartum ultrasound to diagnose malpositions and cephalic malpresentations. Am J Obstet Gynecol. 2017; 217: 633-641. doi: 10.1016/j.ajog.2017.07.025
4.      Pramanik M, Gupta M, Krishnan KB Enhancing reproducibility of ultrasonic measurements by new users, Proc. SPIE 8673, Medical Imaging 2013: Image Perception, Observer Performance, and Technology Assessment, 86730Q (28 March 2013). doi: 10.1117/12.2008032
5.      Carneiro G, Georgescu B, Good S. Knowledge-Based Automated Fetal Biometrics Using Syngo Auto OB. Erlangen: Siemens Medical Solutions (2008)
6.      Espinoza J, Good S, Russell E, Lee W. Does the use of automated fetal biometry improve clinical work flow efficiency? J Ultrasound Med. 2013; 32: 847-850. doi: 10.7863/ultra.32.5.847
7.      Dhombres F, Maurice P, Guilbaud L, Franchinard L, Dias B, Charlet J, et al. A novel intelligent scan assistant system for early pregnancy diagnosis by ultrasound: clinical decision support system evaluation study. J Med Internet Res. 2019; 21: e14286. doi: 10.2196/14286
8.      Smeets NA, Dvinskikh NA, Winkens B, Oei SG. A new semi-automated method for fetal volume measurements with three-dimensional ultrasound: preliminary results. Prenat Diagn. 2012; 32: 770-776. doi: 10.1002/pd.3900
9.      Yang X, Yu L, Li S, Wen H, Luo D, Bian C, et al. Towards automated semantic segmentation in prenatal volumetric ultrasound. IEEE Trans Med Imaging. 2019; 38: 180-193. doi: 10.1109/TMI.2018.2858779
10.    Ryou H, Yaqub M, Cavallaro A, Papageorghiou AT, Alison Noble J. Automated 3D ultrasound image analysis for first trimester assessment of fetal health. Phys Med Biol. 2019; 64: 185010. doi: 10.1088/1361-6560/ab3ad1
11.     Moratalla J, Pintoffl K, Minekawa R, Lachmann R, Wright D, Nicolaides KH. Semi-automated system for measurement of nuchal translucency thickness. Ultrasound Obstet Gynecol. 2010; 36: B412-416. doi: 10.1002/uog.7737
12.    Nie S, Yu J, Chen P, Wang Y, Zhang JQ. Automatic detection of standard sagittal plane in the first trimester of pregnancy using 3-D ultrasound data. Ultrasound Med Biol. 2017; 43: 286-300. doi: 10.1016/j.ultrasmedbio.2016.08.034
13.    Sobhaninia Z, Rafiei S, Emami A, Karimi N, Najarian K, Samavi S, Soroushmehr SMR. Fetal ultrasound image segmentation for measuring biometric parameters using multi-task deep learning. Annu Int Conf IEEE Eng Med Biol Soc. 2019; 2019: 6545-6548. doi: 10.1109/EMBC.2019.8856981
14.    Van den Heuvel TLA, Petros H, Santini S, de Korte CL, van Ginneken B. Automated fetal head detection and circumference estimation from free-hand ultrasound sweeps using deep learning in resource-limited countries. Ultrasound Med Biol. 2019; 45: 773-785. doi: 10.1016/j.ultrasmedbio.2018.09.015
15.    Van den Heuvel TLA, de Bruijn D, de Korte CL, Ginneken BV. Automated measurement of fetal head circumference using 2D ultrasound images. PLoS ONE. 2018); 13: e0200412. doi: 10.1371/journal.pone.0200412
16.    Yang X, Wang X, Wang Y, Dou H, Li S, Wen H, et al. Hybrid attention for automatic segmentation of whole fetal head in prenatal ultrasound volumes. Comput Methods Programs Biomed. 2020; 194: 105519. doi: 10.1016/j.cmpb.2020.105519
17.    Yang X, Li HM, Liu L, Ni D. Scale-aware auto-context-guided Fetal US segmentation with structured random forests. BIO Integr. 2020; 1: 118-129. doi: 10.15212/bioi-2020-0016
18.    Chen X, He M, Dan T, Wang N, Lin M, Zhang L, et al. Automatic measurements of fetal lateral ventricles in 2D ultrasound images using deep learning. Front Neurol. 2020; 11: 526. doi: 10.3389/fneur.2020.00526
19.    Pluym ID, Afshar Y, Holliman K, Kwan L. Accuracy of three-dimensional automated ultrasound imaging of biometric measurements of the fetal brain. Ultrasound Obstetr Gynecol. 2020; 57: 798-803. doi: 10.1002/uog.22171
20.    Yu Z, Tan EL Ni D, Qin J, Chen S, Li S, et al. A deep convolutional neural network based framework for automatic fetal facial standard plane recognition. IEEE J Biomed Health Inform. 2018) 22: 874-885. doi: 10.1109/JBHI.2017.2705031
21.    Tsai PY, Chen HC, Huang HH, Chang CH, Fan PS, Huang CI, et al. A new automatic algorithm to extract craniofacial measurements from fetal three-dimensional volumes. Ultrasound Obstet Gynecol. 2012; 39: 642-647. doi: 10.1002/uog.10104
22.    Caetano AC, Zamarian AC, Araujo JE, Cavalcante RO, Simioni C, Silva CP, et al. Assessment of intracranial structure volumes in fetuses with growth restriction by 3-dimensional sonography using the extended imaging virtual organ computer-aided analysis method. J Ultrasound Med. 2015; 34: 1397-1405. doi: 10.7863/ultra.34.8.1397
23.    Namburete AIL, Stebbing RV, Kemp B, Yaqub M, Papageorghiou AT, Noble AJ. Learning-based prediction of gestational age from ultrasound images of the fetal brain. Med Image Anal. 2015; 21: 72-86. doi: 10.1016/j.media.2014.12.006
24.    Grandjean GA, Hossu G, Bertholdt C, Noble P, Morel O, Grangé G. Artificial intelligence assistance for fetal head biometry: assessment of automated measurement software. Diagn Interv Imaging. 2018; 99: 709-716. doi: 10.1016/j.diii.2018.08.001
25.    Xie B, Lei T, Wang N, Cai H, Xian J, He M, et al. Computer-aided diagnosis for fetal brain ultrasound images using deep convolutional neural networks. Int J Comput Assist Radiol Surg. 2020; 15: 1303-1312. doi: 10.1007/s11548-020-02182-3
26.    Jang J, Park Y, Kim B, Lee SM, Kwon JY, Seo JK. Automatic estimation of fetal abdominal circumference from ultrasound images. IEEE J Biomed Health Inform. 2018; 22: 1512-1520. doi: 10.1109/JBHI.2017.2776116
27.    Chen H, Ni D, Qin J, Li S, Yang X, Wang T, Heng PA. Standard plane localization in fetal ultrasound via domain transferred deep neural networks. IEEE J Biomed Health Inform. 2015; 19: 1627-1636. doi: 10.1109/JBHI.2015.2425041
28.    Cobo T, Bonet-Carne E, Martínez-Terrón M, Perez-Moreno A, Elías N, Luque J, et al. Feasibility and reproducibility of fetal lung texture analysis by automatic quantitative ultrasound analysis and correlation with gestational age. Fetal Diagn Ther. 2012; 31: 230-236. doi: 10.1159/000335349
29.    Ghorayeb SR, Bracero LA, Blitz MJ, Rahman Z, Lesser ML. Quantitative ultrasound texture analysis for differentiating preterm from term fetal lungs. J Ultrasound Med. 2017; 36: 1437-443. doi: 10.7863/ultra.16.06069
30.    Perez-Moreno A, Dominguez M, Migliorelli F, Gratacos E, Palacio M, Bonet-Carne E. Clinical feasibility of quantitative ultrasound texture analysis: a robustness study using fetal lung ultrasound images. J Ultrasound Med. 2019; 38: 1459-1476. doi: 10.1002/jum.14824
31.    Arnaout R, Curran L, Zhao Y, Levine JC, Chinn E, Moon-Grady AJ. An ensemble of neural networks provides expert-level prenatal detection of complex congenital heart disease. Nat Med. 2021; 27: 882-8891. doi: 10.1038/s41591-021-01342-5
32.    Femina M, Raajagopalan S. Anatomical structure segmentation from early fetal ultrasound sequences using global pollination CAT swarm optimizer-based Chan-Vese model. Med Biol Eng Comput. 2019; 57: 1763-1782. doi: 10.1007/s11517-019-01991-2
33.    Chaoui R, Abuhamad A, Martins J, Heling KS. Recent development in three and four dimension fetal echocardiography. Fetal Diagn Ther. 2020; 47: 345-353. doi: 10.1159/000500454
34.    Bridge CP, Ioannou C, Noble JA. Automated annotation and quantitative description of ultrasound videos of the fetal heart. Med Image Anal. 2017; 36: 147-161. doi: 10.1016/j.media.2016.11.006
35.    Xu L, Liu M, Shen Z, Wang H, Liu X, Wang X, et al. DW-Net: a cascaded convolutional neural network for apical four-chamber view segmentation in fetal echocardiography. Comput Med Imaging Graph. 2020; 80: 101690. doi: 10.1016/j.compmedimag.2019.101690
36.    Dong J, Liu S, Liao Y, Wen H, Lei B, Li S, et al. A generic quality control framework for fetal ultrasound cardiac four-chamber planes. IEEE J Biomed Health Inform. 2020; 24: 931-942. doi: 10.1109/JBHI.2019.2948316
37.    Barreto EQ, Araujo JE, Martins WP, Rolo LC, Milani HJ, Nardozza LM, et al. New technique for assessing fetal heart growth using three-dimensional ultrasonography: description of the technique and reference curves. J Matern Fetal Neonatal Med. 2015; 28: 1087-1093. doi: 10.3109/14767058.2014.943176
38.    Rolo LC, Santana EF, da Silva PH, Costa Fda S, Nardozza LM, Tonni G, et al. Fetal cardiac interventricular septum: volume assessment by 3D/4D ultrasound using spatio-temporal image correlation (STIC) and virtual organ computer-aided analysis (VOCAL). J Matern Fetal Neonatal Med. 2015; 28:1388-1393. doi: 10.3109/14767058.2014.955005
39.    Yeo L, Markush D, Romero R. Prenatal diagnosis of tetralogy of Fallot with pulmonary atresia using: Fetal Intelligent Navigation Echocardiography (FINE). J Matern Fetal Neonatal Med. 2019; 32: 3699-3702. doi: 10.1080/14767058.2018.1484088
40.    Xie HN, Wang N, He M, Zhang LH, Cai HM, Xian JB, et al. Using deep-learning algorithms to classify fetal brain ultrasound images as normal or abnormal. Ultrasound Obstet Gynecol. 2020; 56: 579-587. doi: 10.1002/uog.21967
41.    Shozu K, Komatsu M, Sakai A, Komatsu R, Dozen A, Machino H, et al. Model-agnostic method for thoracic wall segmentation in fetal ultrasound videos. Biomolecules. 2020; 10: 1691. doi: 10.3390/biom10121691
42.    Dozen A, Komatsu M, Sakai A, Komatsu R, Shozu K, Machino H, et al. Image segmentation of the ventricular septum in fetal cardiac ultrasound videos based on deep learning using time-series information. Biomolecules. 2020; 10: 1526. doi: 10.3390/biom10111526
43.    Torrents-Barrena J, Monill N, Piella G, Gratacós E, Eixarch E, Ceresa M, et al. Assessment of radiomics and deep learning for the segmentation of fetal and maternal anatomy in magnetic resonance imaging and ultrasound. Acad Radiol. 2021; 28: 173-188. doi: 10.1016/j.acra.2019.11.006
44.    Smith VJ, Marshall A, Lie MLS, Bidmead E, Beckwith B, Van Oudgaarden E, et al. Implementation of a fetal ultrasound telemedicine service: women's views and family costs. BMC Pregnancy Childbirth. 2021; 21: 38. doi: 10.1186/s12884-020-03532-4
45.    Toscano M, Marini TJ, Drennan K, Baran TM, Kan J, Garra B, et al. Testing telediagnostic obstetric ultrasound in Peru: a new horizon in expanding access to prenatal ultrasound. BMC Pregnancy Childbirth. 2021; 21: 328. doi: 10.1186/s12884-021-03720-w
46.    Ebert J, Tutschek B. Virtual reality objects improve learning efficiency and retention of diagnostic ability in fetal ultrasound. Ultrasound Obstet Gynecol. 2019; 53: 525-528. doi: 10.1002/uog.19177
47.    Popovici R, Pristavu A, Sava A. Three dimensional ultrasound and hdlive technology as possible tools in teaching embryology. Clin Anat. 2017; 30: 953-957. doi: 10.1002/ca.22963

Корреспонденцию адресовать:

НОСКОВА Оксана Владимировна
283003, ДНР, г. Донецк, пр. Ильича, д. 16, ГОО ВПО ДонНМУ им. М. Горького
Тел: 8 (856) 344-40-01   E-mail: oksana_noskova_73@mail.ru

Сведения об авторах:

ЛИТВИНОВА Елена Валерьевна
канд. мед. наук, доцент кафедры акушерства и гинекологии, ФГБОУ ВО ДонГМУ Минздрава России, г. Донецк, Россия
E-mail: lencha77@me.com

НОСКОВА Оксана Владимировна
канд. мед. наук, доцент кафедры акушерства и гинекологии, ФГБОУ ВО ДонГМУ Минздрава России, г. Донецк, Россия
E-mail: oksana_noskova_73@mail.ru

Information about authors:

LITVINOVA Elena Valerievna
candidate of medical sciences, docent of the department of obstetrics and gynecology, M. Gorky Donetsk State Medical University, Donetsk, Russia
E-mail: elena.v.litvinova@inbox.ru

NOSKOVA Oksana Vladimirovna
candidate of medical sciences, docent of the department of obstetrics and gynecology, M. Gorky Donetsk State Medical University, Donetsk, Russia
E-mail: oksana_noskova_73@mail.ru

Ссылки

  • На текущий момент ссылки отсутствуют.