Etablierung eines normalen fetalen Lungenalters-Klassifizierungsmodells und Untersuchung des Potenzials von Deep-Learning-Algorithmen zur Beurteilung der fetalen Lungenreife
Die pränatale Beurteilung der fetalen Lungenreife (FLM) bleibt eine große Herausforderung in der Geburtshilfe. Unreife Lungen, die zu einem Surfactant-Mangel führen, sind eine Hauptursache für neonatale respiratorische Morbidität (NRM) und Mortalität, insbesondere bei Früh- und Neugeborenen am Terminbeginn. Trotz Fortschritten in der Neonatalversorgung bleibt die NRM eine führende Komplikation in dieser Population. Zusätzlich können schwangerschaftsbedingte Erkrankungen wie Gestationsdiabetes (GDM), Präeklampsie (PE), Oligohydramnion und fetale Wachstumsrestriktion die fetale Lungenentwicklung beeinträchtigen. Eine präzise FLM-Beurteilung ist entscheidend, insbesondere im dritten Trimester, um klinische Entscheidungen zur antenatalen Kortikosteroidtherapie (ACS) und zur Terminierung elektiver Entbindungen zu unterstützen. Aktuelle Methoden zur FLM-Einschätzung basieren auf invasiven Verfahren wie der Amniozentese, die mit Komplikationsrisiken verbunden sind. Nicht-invasive Ansätze wurden untersucht, weisen jedoch häufig unzureichende diagnostische Genauigkeit auf. Diese Studie zielt darauf ab, ein Klassifizierungsmodell des normalen fetalen Lungenalters (GA) mittels Deep-Learning (DL)-Algorithmen zu etablieren und dessen Potenzial für die FLM-Beurteilung zu evaluieren.
Methodik
Die Studie nutzte einen Datensatz von 7013 Ultraschallbildern aus 1023 unkomplizierten Schwangerschaften zwischen 20 und 41+6 Schwangerschaftswochen (SSW). Alle Fälle wiesen keine Komplikationen auf, die die Lungenentwicklung beeinflussen könnten, und alle Neugeborenen waren frei von respiratorischen Erkrankungen. Die Bilder wurden in drei GA-Klassen eingeteilt: Klasse I (20–29+6 SSW), Klasse II (30–36+6 SSW) und Klasse III (37–41+6 SSW) mit jeweils 3323, 2142 und 1548 Bildern. Die Daten wurden mit acht Ultraschallgeräten von sechs Herstellern erhoben, um Repräsentativität sicherzustellen.
Ein DL-basierter Ansatz wurde zur GA-Klassifizierung fetaler Lungenbilder eingesetzt. Der Prozess umfasste drei Schritte: Bildvorverarbeitung, Aufbau eines Klassifizierungsnetzwerks und Validierung. Bei der Vorverarbeitung wurden irrelevante Informationen (z. B. Geräteparameter) mittels schwellenwertbasierter Segmentierung entfernt, um die Region of Interest (ROI) zu isolieren. Als Klassifizierungsnetzwerk diente eine DenseNet-Architektur mit Faltungs-, Pooling-, Dense-Blöcken, Transition-Layern und vollvernetzten Schichten. Das Training erfolgte mittels Cross-Entropy-Verlust und stochastischem Gradientenabstieg mit Momentum. Zur Vermeidung von Overfitting kamen Datenaugmentationstechniken (Rotation, Cropping, Flipping) zum Einsatz. Die Validierung erfolgte mittels 10-facher Kreuzvalidierung. Leistungsparameter umfassten Accuracy, Sensitivität, Spezifität und AUC (Area under the ROC Curve).
Ergebnisse
Das DL-Modell erreichte eine hohe Genauigkeit (Gesamt-Accuracy: 83,8 %) bei der GA-Klassifizierung. Die Sensitivitäten für die Klassen I, II und III im Testdatensatz betrugen 91,7 %, 69,8 % bzw. 86,4 %; die Spezifitäten lagen bei 76,8 %, 90,0 % und 83,1 %. Die AUC-Werte für die Klassen waren 0,982, 0,907 und 0,960. Die mikro- und makroaverage AUC betrugen 0,957 bzw. 0,949. Im Vergleich zu traditionellen Machine-Learning-Methoden (Random Forests, Support Vector Machines, Naïve Bayes) übertraf das DL-Modell alle Parameter: Die MakroF1- und MikroF1-Scores lagen bei 81,8 % bzw. 83,8 % (vs. 51,4 %/52,9 % für Naïve Bayes, 65,8 %/69,3 % für Random Forests, 71,1 %/73,2 % für SVM).
Diskussion
Das etablierte Modell ermöglicht die Identifikation abnormaler Lungenentwicklung infolge mütterlicher Erkrankungen (GDM, PE) sowie die Bewertung der Lungenreife nach ACS-Therapie. Die automatische Extraktion GA-relevanter Bildmerkmale unterstreicht das Potenzial als nicht-invasives FLM-Assessment-Tool. Die Robustheit gegenüber variierenden Aufnahmeparametern (z. B. Gain, Tiefe) und die end-to-end-Implementierung ohne manuelle Feature-Extraktion sind weitere Vorteile. Retrospektiver Charakter, begrenzte Fallzahlen in Klasse II/III und der Fokus auf unkomplizierte Schwangerschaften stellen Limitationen dar. Zukünftige Studien sollten größere, heterogene Kohorten und Hochrisikoschwangerschaften einbeziehen.
Schlussfolgerung
Die Studie demonstriert die erfolgreiche Etablierung eines DL-basierten GA-Klassifizierungsmodells der fetalen Lunge mit hoher diagnostischer Präzision. Die Ergebnisse unterstreichen den klinischen Nutzen zur FLM-Beurteilung und liefern eine Grundlage für weitere Forschung im Bereich pränataler Deep-Learning-Anwendungen.
doi.org/10.1097/CM9.0000000000001547