Anwendung der computerunterstützten Diagnose bei angeborenen Herzfehlern in der Vier-Kammer-Ansicht des fetalen Herzens im Basis-Screening
Angeborene Herzfehler (CHD) sind die häufigsten schweren angeborenen Fehlbildungen und stellen eine erhebliche Bedrohung für die fetale Gesundheit dar. Sie sind ein primärer Faktor für den intrauterinen Tod. Die pränatale Erkennung schwerer CHD ist von entscheidender Bedeutung, da sie die neonatale Mortalität und Morbidität erheblich reduzieren kann. Die Erkennungsrate von CHD in pränatalen Ultraschalluntersuchungen liegt jedoch zwischen 25,0 % und 59,7 %, was auf die Notwendigkeit verbesserter diagnostischer Strategien hinweist. In den letzten Jahren hat sich die computerunterstützte Diagnose (CAD) auf der Grundlage von Deep Learning (DL) rasch weiterentwickelt und bietet Potenzial zur Verbesserung der diagnostischen Genauigkeit, zur Senkung der Gesundheitskosten und zur Optimierung des klinischen Arbeitsablaufs. Diese Studie konzentriert sich auf die Anwendung der CAD-Methodik zur Identifizierung der Hauptelemente und zur automatischen Screening von CHD unter Verwendung von 2D-Ultraschallbildern des fetalen Herzens in der Vier-Kammer-Ansicht (4CV).
Die Studie wurde retrospektiv durchgeführt und verwendete Bilder, die in einem einzigen Zentrum zwischen Dezember 2017 und Mai 2020 gesammelt wurden. Die ausgewählten Bilder stammten von Einlingsschwangerschaften in der 20. bis 23+6 Schwangerschaftswoche und umfassten sowohl Fälle mit normalem Herzen als auch mit CHD. Die Einschlusskriterien für Bilder mit normalem Herzen erforderten, dass die Bilder die Standard-4CV zeigen, von Einlingsschwangerschaften im angegebenen Gestationsalter stammen und durch postnatale Echokardiographie bestätigt wurden, dass die Herzstruktur normal ist. Ausschlusskriterien für Bilder mit normalem Herzen waren nicht standardmäßige 4CV und Fälle mit Herzfehlbildungen während der Schwangerschaft oder postnatale Echokardiographie. Für CHD-Bilder waren die Einschlusskriterien ähnlich, mit der zusätzlichen Anforderung, dass die Fälle durch postnatale Echokardiographie oder Autopsie nach Weheneinleitung bestätigt wurden. Ausschlusskriterien für CHD-Bilder waren solche, die Herzstrukturen zeigten, die nicht durch CHD in der 4CV verursacht wurden.
Die Standard-4CV-Bilder wurden gemäß den Richtlinien der International Society of Ultrasound in Obstetrics and Gynecology erstellt. Die Studie wurde von der Ethikkommission des Beijing Obstetrics and Gynecology Hospital genehmigt. In jedem Bild wurden 11 sonographische Marker als Regionen von Interesse (ROI) ausgewählt, darunter die Thoraxregion, die Herzregion, der Herzachsenwinkel, das Vorhofseptum, das Ventrikelseptum, die Mitralklappe, die Trikuspidalklappe, der linke Vorhof, der linke Ventrikel, der rechte Vorhof und der rechte Ventrikel. Diese Marker wurden unter Verwendung eines Convolutional Neural Network (CNN) in DL annotiert und identifiziert, wobei die Bildsegmentierung verwendet wurde, um die ROI zu erhalten.
Die Bilder wurden im Verhältnis 4:1 in Trainings- und Validierungssätze aufgeteilt. Ultraschallärzte beschrifteten die Bilder im Trainingssatz, die dann in das Klassifikationsnetzwerk eingegeben wurden, um binäre Ergebnisse auszugeben, die das Vorhandensein oder Fehlen einer Krankheit anzeigen. Das Modell wurde optimiert, um sicherzustellen, dass ähnliche Bilder nicht in verschiedene Sätze aufgeteilt wurden. Der Validierungssatz wurde nach dem Training des Klassifikationsnetzwerks eingegeben, und die Ausgabeergebnisse wurden mit den realen Beschriftungen der entsprechenden Bilder verglichen, um die Leistung des Modells zu bewerten.
Datenvergrößerungstechniken, einschließlich Translation und horizontalem und vertikalem Spiegeln, wurden auf den Trainingssatz angewendet, um das Datenvolumen zu erhöhen und Überanpassung zu reduzieren. Die ROI wurde auf eine feste Größe skaliert und standardisiert, bevor sie in das Klassifikationsnetzwerk eingegeben wurde. In dieser Studie wurde das ResNet-Netzwerk verwendet, das auf dem ImageNet-Datensatz vortrainiert wurde. Die Faltungsschichten und die vollständig verbundene Schicht wurden unter Verwendung der Daten des Trainingssatzes feinabgestimmt, um das Problem unzureichender medizinischer Bilddaten zu lösen und die Trainingszeit zu verkürzen. Statistische Analysen wurden mit der SPSS 22.0-Software und der scikit-learn-Bibliothek der Programmiersprache Python durchgeführt. Die Daten wurden als Häufigkeiten oder Mittelwert und Standardabweichung ausgedrückt. Die Screening-Leistung für verschiedene CHD wurde durch Receiver Operating Characteristic (ROC)-Kurven bewertet, wobei der Youden-Index verwendet wurde, um den optimalen Schwellenwert für eine effektive CHD-Diagnose zu berechnen.
Insgesamt wurden 566 Fälle mit CHD in Einlingsschwangerschaften in der 20. bis 23+6 Schwangerschaftswoche in die Studie aufgenommen. Nach Anwendung der Einschluss- und Ausschlusskriterien wurden 219 Fälle mit 520 CHD-Bildern und 1000 Fälle mit 1002 normalen Bildern ausgewählt. Die Bilder wurden im Verhältnis 4:1 in Trainings- und Validierungssätze aufgeteilt. Im binären Experiment bestimmte das Modell, ob das Bild ein CHD-Fall oder normal war. Der Trainingssatz bestand aus 1217 Bildern, darunter 416 CHD-Bilder und 801 normale Bilder. Der Validierungssatz bestand aus 305 Fällen, darunter 104 CHD-Bilder und 201 normale Bilder. Die Erkennungsrate des Trainingssatzes betrug 92,40 %, mit einer Spezifität von 87,44 % und einer Genauigkeit von 89,15 %. Im Validierungssatz betrug die Erkennungsrate 82,83 %, mit einer Spezifität von 96,60 % und einer Genauigkeit von 92,13 %. Die AUC des Trainingssatzes betrug 0,962 (95 % CI: 0,949–0,975), und die des Validierungssatzes betrug 0,973 (95 % CI: 0,950–0,996).
In Fällen mit Auslass- und Bogenläsionen wurden 38 Bilder zum Trainingssatz des binären Experiments hinzugefügt. Der Validierungssatz für diese Fälle hatte 145 Bilder, wobei das Modell 51,03 % (74/145) als abnormal einstufte. Unter allen diagnostizierten Krankheiten wurden fünf Arten von CHD mit der größten Fallzahl für eine weitere Analyse ausgewählt: Ventrikelseptumdefekt (VSD), Pulmonalstenose (PS), Atrioventrikulärer Septumdefekt (AVSD), Pulmonalatresie (PA) und Hypoplastisches Linksherzsyndrom (HLHS). Die Erkennungsraten für diese Krankheiten betrugen 84,21 %, 48,00 %, 77,27 %, 70,59 % bzw. 77,78 %. Die Spezifität betrug 94,32 %, 99,74 %, 98,23 %, 95,83 % bzw. 99,66 %, und die Genauigkeit betrug 91,80 %, 93,11 %, 96,72 %, 94,43 % bzw. 99,02 %. Die ROC des Modells zeigte eine gute AUC für die fünf Arten von CHD.
Im Vergleich zu Studien, die herkömmliche Methoden zur CHD-Erkennung verwendeten und eine Prävalenz von pränatal gescreenten schweren CHD zwischen 4,1 % und 61,5 % berichteten, zeigte diese Studie eine höhere Sensitivität, Spezifität und Genauigkeit bei der CHD-Erkennung, wobei Spezifität und Genauigkeit 95 % überschritten. Das Modell konnte alle CHD mit weniger falsch positiven Ergebnissen erkennen. Zwölf Arten von CHD konnten in der 4CV als abnormal identifiziert werden, wobei fünf Arten für eine weitere Segmentationslernung ausgewählt wurden, um Schlüsselinformationen für die Analyse zu extrahieren. Dazu gehörten VSD, PS, AVSD, PA und HLHS, die eine abnormale 4CV aufweisen können und in klinischen Umgebungen mehr Erfahrung und Diagnosezeit erfordern.
Obwohl VSD der häufigste CHD ist, berichteten frühere Studien über niedrige Erkennungsraten zwischen 9,1 % und 39 %. In dieser Studie zeigte das Modell eine effektive Diagnose von VSD. Für PS und PA, die eine Diagnose in Auslassansichten erfordern, erreichte das Modell eine sinnvolle Diagnose mit hoher Sensitivität in der 4CV-Ansicht unter Verwendung der CAD-Methodik. Die Erkennungsraten für AVSD und HLHS stimmten mit früheren Studien überein, die Raten von 15,1 % bis 83,4 % für AVSD und 15,0 % bis 95,8 % für HLHS berichteten. Obwohl nicht alle Fehlbildungen in einer einzigen Ebene erkannt werden konnten, verkürzte die CAD-Methodik die Untersuchungszeit und ermöglichte es dem Modell, Bilder nach der Identifizierung von Anomalien zu beurteilen.
CAD kann die Genauigkeit und Effizienz des fetalen Herz-Basis-Screenings verbessern und die Untersuchungs- und Wartezeiten für Patienten reduzieren. Das Modell ist auf verschiedene Ultraschallgeräte anwendbar und ermöglicht die jederzeitige Abrufung und Neuanalyse von Bildern im Datensatz. Die Kombination von räumlich-zeitlicher Bildkorrelation und Speckle-Tracking-Echokardiographie mit diesem Modell könnte das pränatale Screening und die Diagnose von CHD weiter verbessern. Darüber hinaus ist dieses Modell besonders vorteilhaft für junge Ärzte im fetalen Herz-Basis-Screening, da es ihnen hilft, mehr fetale Herzfehlbildungen zu identifizieren. In Primärkrankenhäusern und abgelegenen Gebieten kann das Modell im fetalen Herz-Screening während der mittleren Sonographie eingesetzt werden, um eine rechtzeitige Überweisung von CHD-Fällen an übergeordnete Krankenhäuser zu erleichtern.
Zusammenfassend stellt diese retrospektive Studie eine vielversprechende Methode für das Screening von CHD unter Verwendung der CAD-Methodik vor. Das Modell hat das Potenzial, ein effektives und bequemes Werkzeug für die fetale Herz-Basis-Schulung und das Screening zu sein, die diagnostische Genauigkeit und Effizienz zu verbessern und gleichzeitig die Gesundheitskosten und die Belastung des klinischen Arbeitsablaufs zu reduzieren.
doi.org/10.1097/CM9.0000000000002274