人工智能技術在胎兒健康監測領域的應用

王 萌,弭博巖,鄭 奮

(海軍軍醫大學 衛生勤務學系 計算機與仿真技術教研室,上海200433)

近年來,隨著人工智能技術的蓬勃發展,其在醫療衛生領域逐漸占據重要的地位,已在并發癥預測、康復護理、疾病管理等方向得到廣泛應用。胎兒健康監測是評估胎兒健康狀況、及時識別胎兒潛在健康危險及降低產婦妊娠意外的有效手段,但由于監測項目及參數在時域、形態學等方面指標眾多,如非經過專業培訓且經驗豐富的醫生,在進行判讀時容易受到主觀因素的影響,從而引發誤診漏診。人工智能技術能摒棄主觀因素影響,從海量數據中自動化提取出計算機可識別的病理特征,從而構建出穩健、可靠的模型[1],為構建靈敏、準確、方便地監測胎兒健康狀況提供可能,人工智能技術與胎兒健康監測領域相結合已成為數字醫學的重要發展趨勢之一。

1 人工智能技術概述

人工智能技術是指使計算機對人的思維過程和行為進行模擬,從而實現自動化從海量數據中獲取并分析有價值的信息。人工智能技術的引入在目前在我國的醫療健康行業中已在逐漸發展和完善[2],并已初具使用效果。人工智能技術的很多重要分支在胎兒健康監測領域中都有著很高的應用前景,主要利用了機器學習[3]、深度學習、計算機視覺[4]等多種技術。

2 胎兒宮內窘迫判別中人工智能技術的應用

宮內窘迫是胎兒在宮內的缺氧征象,嚴重會危及胎兒生命。電子胎心監護[5]是臨床應用最廣泛的判別胎兒宮內窘迫的常用方法之一。在實際應用中,由于監測信號的復雜多樣,致使人工判讀結果效率低、效果易產生偏差,因此已有眾多學者利用機器學習算法從胎心監護參數中提取特征并進行模型訓練。

2.1 模型評估方式

為直觀反映各機器學習模型的分類性能,通常以模型預測結果的分類歸屬[6]為基礎,計算出的準確率、精確率、召回率、特異度來對模型進行評價。準確率是模型預測每個類別正確的樣本所占的比例大小;精確率是所有預測結果為每類的樣本中預測正確的樣本所占的比例,召回率是每個類別真實結果為該類樣本中預測結果正確的樣本比例,特異度是將負樣本識別正確占所有負樣本的比例。以上四個指標均為越大效果越好。

2.2 算法概述

Hoodbhoy[7]等以加利福尼亞大學歐文機器學習庫中的胎心監護圖數據進行模型訓練,運用極端梯度提升樹(Extreme Gradient Boosting,XGBoost)算法得到最優判別結果。聶磊[8]以同一數據集進行模型訓練,將五種機器學習模型進行對比,提出的集成算法(Stacking)為最優方案。曾冬洲等[9]以福建省某醫院的脫敏臨床數據進行訓練,將應用梯度提升決策樹和邏輯回歸相融合(gradient boosting decision tree-logistic regression,GBDT-LR),設計了預診斷模型,融合后的模型較單個模型的預測效果有顯著提升。郝婧宇等[10]以波爾圖大學公開的葡萄牙孕婦胎心監護數據進行模型訓練,提出了一種運用五層堆疊(Stacking-5)模型融合的方法,相較于融合前檢測效果大幅度提升。以上算法對比如表1所示。

表1 評價指標對比

3 胎兒畸形篩查中人工智能技術的應用

胎兒畸形雖不會對胎兒造成致命傷害,但難以預測出生后的影響,一些嚴重疾病會給家庭造成很大負擔[11]。超聲檢測[12]是判斷畸形的常用手段,但由于畸形種類較多,成因繁雜,致使手動測量效率低下,且漏診現象較為常見。運用機器學習、深度學習等技術結合超聲信號進行胎兒畸形篩查的方式已成為研究熱點。

Zhang等[13]提出一種基于監督文本的精確分割方法自動化測量胎兒頭部和股骨,平均精度為96.85%、84.37%。Matthew等[14]運用全卷積網絡來測量胎兒頭圍和雙頂徑值,該模型的表現水平與專家相似。李志昂等[15]對圖像分割領域U-NET[16]結構進行改進,引入擴張卷積模塊,提出一種對胎兒的腹圍、股骨長以及頭臀徑等參數進行測量的方法(D-UNET),模型測量值幾乎等同于醫生手工標注的標準測量值,精度較高。汪金婷等[17]將U-NET與目標檢測模型YOLOv3[18]相結合并進行改進,最終模型Dice系數、豪斯多夫距離和頭圍絕對差值分別為97.81±1.41、1.32±0.86、2.02±1.97,能克服干擾,提高胎兒頭圍測量精度。

4 巨大兒預測中人工智能技術的應用

近年來,我國胎兒巨大兒的發生率逐年升高[19]。巨大兒易增加產婦產傷及母嬰并發癥風險[20]。我國估測新生兒體重的常用手段為超聲信號結合Hadlock公式[21],但對于巨大兒的預測精度有很大提升空間。

李昆等[22]運用深度神經網絡進行預測模型構建,最終將預測體重誤差控制在100 g到500 g之間,能夠減少嚴重的預測失誤。董蓉蓉等[23]利用新生兒出生體質量及超聲測量數據分別進行多元線性回歸計算、機器學習模型訓練,并與Hadlock公式預測結果進行比較,提出的多元線性回歸方法將預測的正確率提升8.63%,靈敏度提升19.36%,機器學習算法將預測正確率平均提升14.42%,靈敏度平均提升44.09%。Ye等[24]運用機器學習中的集成方法結合多個模型,提高了胎兒體重預測精度。張碩彥等[25]在長短期記憶網絡的基礎上提出一種變長時間間隔的模型,使預測平均相對誤差下降0.65%。

5 小結

人工智能技術在胎兒健康監測領域有著廣闊的發展前景。相較于傳統、手工的監測方式,人工智能技術的引入能在眾多方面提升胎兒健康監測效能。但結合實際應用需求進行分析,在算法設計、統一評價指標、臨床實踐驗證三方面還存在提升空間。

由于模型訓練需要大量數據,可用數據量過少、噪聲數據過多從而產生的訓練過擬合現象是需要克服的。此外,部分算法雖相較于傳統算法有所提高,但與同領域專家教授的識別結果相比還有所差距,提升算法精度工作仍應繼續。

對于同一研究方向的算法而言,設計過程與實際臨床之間的評價指標無法統一,在分析多個算法之間的優劣時難以進行對比,因此統一評價指標對于分析與提升算法效能而言有著重要意義。

部分算法雖運用測試集檢測效果優越,但缺乏臨床的實踐驗證,難以進行廣泛推廣及應用。

因此,廣大科研工作者應繼續推進人工智能技術與醫學領域的結合,不斷優化算法、調整參數,進一步提升模型性能,推進臨床應用,以推動數字醫學的蓬勃發展。