La IA detecta defectos raros de nacimiento en un ultrasonido fetal

Fuente: Sbtlneet/Pixaby

El aprendizaje profundo de inteligencia artificial (IA) está emergiendo rápidamente como una herramienta de diagnóstico innovadora para las ciencias de la vida y la atención médica. Un nuevo estudio demuestra cómo se puede utilizar el aprendizaje profundo de IA para diagnosticar un trastorno del desarrollo embrionario raro llamado higroma quístico en el primer trimestre del embarazo a partir de imágenes de ultrasonido fetal.

"En este estudio de prueba de concepto, demostramos el potencial del aprendizaje profundo para respaldar la identificación temprana y confiable del higroma quístico a partir de las ecografías del primer trimestre", escribió el Dr. Mark Walker MD, FRCSC, MSc, MHCM, en la Universidad de la Facultad de Medicina de Ottawa (uOttawa) y su equipo de investigación.

El Dr. Walker es perinatólogo, epidemiólogo clínico, obstetra de alto riesgo, cofundador del Grupo de Investigación OMNI (Obstetrics, Maternal and Newborn Investigations) en el Hospital de Ottawa, que es el grupo de investigación materno-infantil más grande de Canadá, y profesor y vicedecano de Internacionalización y Salud Global en la Facultad de Medicina de uOttawa. Ha publicado más de 160 artículos revisados ​​por pares.

El higroma quístico es causado por una malformación o bloqueo del sistema linfático que ocurre en 1 de cada 800 embarazos y 1 de cada 8000 nacidos vivos según The Fetal Medicine Foundation. La mayoría de los higromas quísticos se localizan en el cuello donde hay un exceso de acumulación de líquido. El higroma quístico puede causar aborto espontáneo o muerte fetal.

Alrededor de la décima semana de embarazo, las ecografías prenatales pueden ayudar a diagnosticar el higroma quístico con la apariencia de un espacio llamado grosor nucal o translucencia nucal (TN).

Un sonograma, o ultrasonido fetal, es un método de diagnóstico por imágenes que produce imágenes del feto en el útero usando ondas sonoras. Las ecografías fetales generalmente se realizan en el primer trimestre.

El modelo fue entrenado utilizando datos de imágenes de ultrasonido del Hospital de Ottawa. Específicamente, el conjunto de datos tenía 289 imágenes de ultrasonido fetal sagitales, de las cuales 129 tenían higroma quístico y 160 eran controles de grosor nucal normal.

El equipo de investigación utilizó una Red Convolucional Densa (DenseNet), el modelo DenseNet169 PyTorch, que conecta capas de manera realimentada. En inteligencia artificial, DenseNet es un tipo de arquitectura de red neuronal convolucional (RNC) que reduce la cantidad de parámetros, mejora la propagación de funciones, aborda el problema del gradiente de fuga y fomenta la reutilización de funciones.

Una red neuronal convolucional es una red neuronal artificial (RNA) que a menudo se usa para la visión por computadora, clasificación de imágenes y texto, así como para el reconocimiento de objetos. Las RNC contienen muchas capas que aprenden a detectar características de una imagen.

Este estudio demostró que un modelo de aprendizaje profundo de IA podría predecir el higroma quístico con una precisión media general del 93 %.

"Nuestros hallazgos demuestran la viabilidad de utilizar modelos de aprendizaje profundo para interpretar imágenes de ultrasonido fetal e identificar diagnósticos de higroma quístico con alto rendimiento en un conjunto de datos de ecografías del primer trimestre", concluyeron los investigadores.

Este estudio científico es solo el comienzo. Según los investigadores, con pruebas adicionales con un gran conjunto de datos de múltiples sitios y validación externa, su modelo de aprendizaje profundo de IA se puede usar para predecir otras anomalías fetales a partir de la ecografía.

Derechos de autor © 2022 Cami Rosso Todos los derechos reservados.