[论文解读] 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 19

一句话总结

本研究提出了一种深度学习系统，通过基于SSD的目标检测方法，从扫描的胎心监护（CTG）图形中检测可预防的胎儿窘迫，识别出'Point A'——胎儿损伤的早期关键征象——准确率达93.6%，从而实现及时的保守干预，预防分娩过程中的不良结局。

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.

研究动机与目标

• 开发一种基于扫描CTG图形的深度学习自动化系统，用于在分娩过程中检测早期可预防的胎儿损伤。
• 识别'Point A'——胎儿衰竭的早期关键预警信号——在酸中毒或不可逆损伤发生前被识别。
• 通过基于实时胎心率和宫缩模式分析的及时保守干预，减少不必要的剖宫产。
• 通过提供客观的、由人工智能驱动的胎儿监测，支持临床决策并降低产科医疗过失风险。

提出的方法

• 在胎心监护（CTG）图形的栅格化PDF图像上训练单次检测器（SSD），以检测'Point A'——胎儿损伤即将发生的临床指标。
• 利用一个独特的历史档案，包含5,000份已知不良结局的CTG图形，用于模型的训练与验证。
• 使用修改后的临床标准定义特定的电子胎心监测（EFM）模式特征（例如：减速恢复、变异性变化、勾号模式），以确保与专家解读的一致性。
• 采用迁移学习和轻量化模型架构（MobileNet），实现在移动设备或临床设备上的高效部署。
• 专注于检测'Point A'作为主动干预节点，而非损伤发生后的补救措施。
• 在包含36份图形的试点数据集上，通过专家标注的'Point A'标记对模型性能进行验证。

实验结果

研究问题

• RQ1 深度学习能否直接从扫描的PDF胎心监护图形中准确检测出'Point A'——胎儿损伤的早期可预防征象？
• RQ2 该模型对'Point A'的检测是否与临床显著的胎儿衰竭及可预防的损伤相关？
• RQ3 该系统是否可通过实现更早的保守管理，减少紧急剖宫产的需求？
• RQ4 与专家对CTG图形的人工解读相比，该深度学习模型在识别早期胎儿窘迫方面的表现如何？

主要发现

• 该深度学习模型在36份扫描CTG图形的试点数据集上，检测'Point A'的准确率达到93.6%——这是可预防胎儿损伤的关键早期征象。
• 20%的初始正常图形达到'Point A'阶段，其中25%的病例通过保守管理恢复为正常，表明存在可干预的时间窗口。
• 'Point B'——胎儿衰竭的更严重阶段——在约0.5%的病例中出现，提示存在一个低但关键的紧急分娩阈值。
• 该模型训练目标是检测临床决策节点，而非结局指标（如Apgar评分低或酸中毒），聚焦于可操作的、酸中毒前的信号。
• 该系统可在无需数字化信号数据的情况下实现实时检测，使其可部署于现有的扫描医疗记录系统中。
• 该方法具有可扩展性，训练后可适配其他格式（如数字化信号、表格数据），显著提升临床整合潜力。