Das Ziel der Studie, veröffentlicht in der Fachzeitschrift Plus einssollte das Potenzial einer Deep-Learning-Architektur zur Unterstützung der frühen und zuverlässigen Identifizierung von zystischem Hygrom anhand von Ultraschalluntersuchungen im ersten Trimester demonstrieren.Zystisches Hygrom ist eine embryonale Erkrankung, die eine abnormale Entwicklung des lymphatischen Gefäßsystems verursacht. Es ist eine seltene und potenziell lebensbedrohliche Erkrankung, die zu Flüssigkeitsschwellungen um Kopf und Hals führt. Es ist bei etwa 1 von 800 Schwangerschaften und 1 von 8.000 Lebendgeburten dokumentiert.Ultraschall ist bei der Beobachtung des Wachstums und der Entwicklung des Fötus von entscheidender Bedeutung, jedoch erschweren kleine fötale Strukturen, unwillkürliche Bewegungen des Fötus und schlechte Bildqualität die Aufnahme und Interpretation von Neugeborenenbildern. Die Forschungsgruppe wollte testen, wie gut KI-gesteuerte Mustererkennung diese Aufgabe erfüllen kann.„Wir haben gezeigt, dass wir im Bereich Ultraschall dieselben Tools zur Bildklassifizierung und -identifikation mit hoher Sensitivität und Spezifität verwenden können“, sagte Dr Markus Walker an der Medizinischen Fakultät der Universität.„Mit weiterer Entwicklung, einschließlich Tests in einem großen Datensatz mit mehreren Standorten und externer Validierung, kann unser Ansatz auf eine Reihe anderer fötaler Anomalien angewendet werden, die typischerweise durch Ultraschall identifiziert werden“, bemerkte er.
KI, Deep Learning, um jetzt bei der Diagnose von Geburtsfehlern zu helfen
Kanadische Forscher haben in einem Durchbruch mit dem Einsatz von auf künstlicher Intelligenz basierendem Deep Learning als Instrument zur Früherkennung von Geburtsfehlern experimentiert.Ein Team aus der Universität Ottawa in einem neuen Proof-of-Concept den Weg für die Verwendung eines einzigartigen Deep-Learning-Modells als Hilfsmittel für das schnelle und genaue Lesen von Ultraschallbildern bereitete.