[論文レビュー] Detection of preventable fetal distress during labor from scanned cardiotocogram tracings using deep learning

Martin G. Frasch, Shadrian B. Strong+3 more|arXiv (Cornell University)|Jun 1, 2021

Neonatal and fetal brain pathology参考文献 25被引用数 19

ひとこと要約

本研究では、SSDベースのオブジェクト検出を用いて、スキャンされた心電図モニタリング（CTG）トレーシングから予防可能な胎児虚血を検出するディープラーニングシステムを提案している。『ポイントA』—胎児障害の早期兆候である重要なサイン—を93.6％の正確さで特定し、出産中の有害な結果を防ぐための早期保守的介入を可能にしている。

ABSTRACT

Despite broad application during labor and delivery, there remains considerable debate about the value of electronic fetal monitoring (EFM). EFM includes the surveillance of the fetal heart rate (FHR) patterns in conjunction with the maternal uterine contractions providing a wealth of data about fetal behavior and the threat of diminished oxygenation and perfusion. Adverse outcomes universally associate a fetal injury with the failure to timely respond to FHR pattern information. Historically, the EFM data, stored digitally, are available only as rasterized pdf images for contemporary or historical discussion and examination. In reality, however, they are rarely reviewed systematically. Using a unique archive of EFM collected over 50 years of practice in conjunction with adverse outcomes, we present a deep learning framework for training and detection of incipient or past fetal injury. We report 94% accuracy in identifying early, preventable fetal injury intrapartum. This framework is suited for automating an early warning and decision support system for maintaining fetal well-being during the stresses of labor. Ultimately, such a system could enable a physician to timely respond during labor and prevent adverse outcomes. When adverse outcomes cannot be avoided, they can provide guidance to the early neuroprotective treatment of the newborn.

研究の動機と目的

• スキャンされたCTGトレーシングを用いたディープラーニングによる、出産中の早期で予防可能な胎児障害を自動で検出するシステムの開発。
• 酸血症や不可逆的損傷が生じる前までに、胎児障害の兆候である『ポイントA』—重要な早期警告サイン—を特定すること。
• リアルタイムの胎児心拍数および収縮パターン解析に基づく、早期で保守的な介入を可能にすることで、不要な帝王切開出産を減らすこと。
• 客観的でAI駆動の胎児モニタリングを提供することで、臨床的意思決定を支援し、産科医療過誤のリスクを低減すること。

提案手法

• 『ポイントA』—即時的な胎児障害の兆候である臨床的指標—を検出するために、CTGトレーシングのラスタライズドPDF画像を用いて単一検出器（SSD）を訓練した。
• 知られている有害な結果を伴う5,000件のCTGトレーシングの独自の歴史的アーカイブを用いて、モデルの訓練および検証を行った。
• 専門家解釈と整合性を持つように、修正された臨床基準を用いて特定のEFMパターン特徴（例：低下回復、変動性の変化、チェックマークパターン）を定義した。
• モバイルまたは臨床デバイスへの効率的なデプロイメントを実現するため、トランスファー学習と軽量なモデルアーキテクチャ（MobileNet）を適用した。
• 酸血症の前段階の行動可能な信号に焦点を当て、治療的介入のためのプロアクティブな検出ポイントとして『ポイントA』を特定することに注力した。
• 専門家がマークした『ポイントA』を含む36件のトレーシングからなるパイロットデータセットを用いて、モデルの性能を検証した。

実験結果

リサーチクエスチョン

• RQ1 スキャンされたPDF形式のCTGトレーシングから直接、『ポイントA』—早期で予防可能な胎児障害の兆候—を正確に検出できるか？
• RQ2 モデルによる『ポイントA』の検出は、臨床的に有意な胎児障害および予防可能な損傷と相関するか？
• RQ3 早期で保守的な管理を可能にすることで、緊急帝王切開の必要性を減らすことができるか？
• RQ4 『ポイントA』の検出において、ディープラーニングモデルの性能は、専門家によるCTGトレーシング解釈と比較してどうなるか？

主な発見

• パイロットデータセット36件のスキャンCTGトレーシングにおいて、ディープラーニングモデルは『ポイントA』—早期で予防可能な胎児障害の兆候—を93.6％の正確さで検出できた。
• 初期には正常とされた20％のトレーシングが『ポイントA』に到達したが、その25％が保守的管理により正常に戻った。これは、介入が可能な時間的窓があることを示している。
• 『ポイントB』—胎児障害のより深刻な段階—に到達したのは約0.5％の症例であり、緊急出産の必要があるが、極めて限られたが重要な閾値であることが示された。
• モデルは、低Apgarスコアや酸血症といった結果ではなく、行動可能な前酸血症信号を検出することに焦点を当てて訓練された。
• このシステムは、デジタル化された信号データを必要とせず、既存のスキャン医療記録上で展開可能である。
• この手法は一般化可能であり、訓練後、他のフォーマット（例：デジタル信号、表形式データ）へも適応可能であり、臨床統合の可能性を高めている。