[논문 리뷰] Detection of preventable fetal distress during labor from scanned cardiotocogram tracings using deep learning

Martin G. Frasch, Shadrian B. Strong외 3명|arXiv (Cornell University)|2021. 06. 01.

Neonatal and fetal brain pathology참고 문헌 25인용 수 19

한 줄 요약

이 연구는 심부름 기반 객체 검출 기반의 딥러닝 시스템을 제안하며, 스캔된 심박수 모니터링 도록(CTG) 기록에서 예방 가능한 태반 부전을 탐지한다. 이 시스템은 '포인트 A'—태아 손상의 조기 징후이자 중요한 조기 신호—를 93.6%의 정확도로 식별하여 분만 중 부정적 결과를 방지하기 위한 적시의 보존적 치료를 가능하게 한다.

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.

연구 동기 및 목표

• 스캔된 CTG 기록을 이용한 딥러닝 기반으로 분만 중 조기 예방 가능한 태아 손상 감지를 위한 자동화된 시스템을 개발한다.
• '포인트 A'—산소 부족 또는 불가역적 손상 이전에 발생하는 태아 위축의 임상적 조기 경고 신호—를 식별한다.
• 실시간 태아 심박수 및 수축 패턴 분석 기반으로 조기에 보존적 조치를 가능하게 하여 불필요한 Caesarean 분만을 줄인다.
• 객관적이고 AI 기반의 태아 모니터링을 제공함으로써 임상 의사결정 지원 및 산과 과실 리스크 감소를 도모한다.

제안 방법

• 심부름 기반 객체 검출기(SSD)를 사용하여 심박수 모니터링 도록 기록의 래스터화된 PDF 이미지에서 '포인트 A'를 탐지하도록 훈련시켰다.
• 모델의 훈련 및 검증을 위해 악성 결과가 알려진 5,000건의 역사적 CTG 기록 아카이브를 활용하였다.
• 전문가 해석과 일관성을 유지하기 위해 수정된 임상 기준을 활용해 특정 EFM 패턴 특징(예: 감속 회복, 변동성 변화, 체크마크 패턴)을 정의하였다.
• 이식 가능성을 높이기 위해 전이 학습 및 경량 모델 아키텍처(MobileNet)를 적용하여 모바일 또는 임상 장치에서의 효율적 구현을 도모하였다.
• 치료적 조치가 가능한 시점으로서 '포인트 A'를 탐지하는 데 집중하였으며, 손상 이후의 복구는 목표로 삼지 않았다.
• 전문가가 마킹한 '포인트 A'가 포함된 36건의 프로토타입 데이터셋을 활용해 모델 성능을 검증하였다.

실험 결과

연구 질문

• RQ1 딥러닝은 스캔된 PDF 형태의 심박수 모니터링 도록 기록에서 조기에 나타나는 예방 가능한 태아 손상의 징후인 '포인트 A'를 정확하게 탐지할 수 있는가?
• RQ2 모델이 '포인트 A'를 탐지하는 것이 임상적으로 의미 있는 태아 위축 및 예방 가능한 손상과 관련이 있는가?
• RQ3 조기 보존적 관리가 가능해지면서 긴급 Caesarean 분만의 필요성을 줄일 수 있는가?
• RQ4 전문가가 CTG 기록을 해석하는 것과 비교해, 딥러닝 모델이 조기에 태아 부전을 탐지하는 데 얼마나 뛰어난 성능을 보이는가?

주요 결과

• 딥러닝 모델은 스캔된 CTG 기록 36건의 프로토타입 데이터셋에서 '포인트 A'—예방 가능한 태아 손상의 중요한 조기 징후—를 93.6%의 정확도로 탐지하였다.
• 초기에는 정상으로 보였던 기록의 20%가 '포인트 A'에 도달하였으며, 그 중 25%는 보존적 관리로 정상 상태로 회복되어 조치 가능한 창이 존재함을 시사하였다.
• '포인트 B'—태아 위축의 더 심각한 단계—는 약 0.5%의 사례에서 발생하여 긴급 분만이 필요한 낮은 그러나 치명적인 임계점임을 시사하였다.
• 모델은 저산소증 또는 낮은 Apgar 점수 등의 결과를 탐지하는 데 초점을 두지 않고, 산소 부족 이전의 조치 가능한 신호에 집중하여 훈련되었다.
• 디지타이징된 신호 데이터가 필요 없이 기존 스캔된 의료 기록에서도 구현이 가능하여, 즉각적인 적용이 가능하다.
• 이 접근법은 일반화 가능하며, 훈련 이후 다른 형식(예: 디지타이징된 신호, 표 형태 데이터)으로도 적응 가능하여 임상적 통합 잠재력이 높다.