Development and external validation of deep learning models for spontaneous preterm birth prediction from mid-trimester cervical ultrasound
Diese Studie entwickelte und validierte extern Deep-Learning- und multimodale Modelle zur Vorhersage der spontanen Frühgeburt mittels Zervikalsonographie im zweiten Trimenon und stellte fest, dass die interne Leistung zwar moderat war, die externe Validierung jedoch aufgrund der Heterogenität der Frühgeburt schlechte Ergebnisse lieferte, was die Notwendigkeit einer subtype-spezifischen Modellierung und zusätzlicher Biomarker nahelegt.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Stellen Sie sich den menschlichen Körper als eine geschäftige Stadt vor, und die Schwangerschaft als ein großes Bauprojekt, bei dem ein neues Leben erschaffen wird. Damit dieses Projekt erfolgreich sein kann, muss das „Tor“ zur Stadt – der Muttermund – bis zum Ende des Bauzeitplans fest verschlossen bleiben. Doch manchmal öffnet sich dieses Tor zu früh, was zu einer vorzeitigen Ankunft führt. Dies wird als Frühgeburt bezeichnet, und es ist der Hauptgrund dafür, dass Neugeborene Schwierigkeiten haben zu überleben. Wissenschaftler haben versucht, eine Art „Wettervorhersage“ zu bauen, um vorherzusagen, ob sich das Tor zu früh öffnen wird. Sie haben versucht, die Länge des Tores zu messen (wie das Ausmessen eines Türrahmens) und nach chemischen Hinweisen im Körper zu suchen, aber diese Methoden sind nicht perfekt, besonders für Mütter, die scheinbar völlig gesund sind. Vor kurzem entstand eine neue Idee: Vielleicht enthält die Textur der Wand des Tores, die in Ultraschallbildern sichtbar ist, geheime Signale, die ein menschliches Auge nicht sehen kann, ein Computer jedoch schon. Es ist wie der Versuch, vorherzusagen, ob eine Brücke einstürzt, indem man nicht nur ihre Länge misst, sondern auch die winzigen Risse und Kornmuster im Beton analysiert.
Ein Forscherteam setzte sich zum Ziel zu testen, ob ein superintelligenter Computer auf diese Ultraschallbilder des Muttermundes in der Mitte der Schwangerschaft blicken und genau vorhersagen könnte, ob ein Baby zu früh geboren würde. Sie entwickelten mehrere verschiedene Arten von „digitalen Detektiven“. Einige wurden darauf trainiert, nach spezifischen Mustern in der Bildtextur zu suchen (wie ein Detektiv, der nach Fingerabdrücken sucht), während andere Deep-Learning-Modelle waren (wie ein Schüler, der lernt, indem er tausende Fotos anstarrt, bis er die Regeln selbstständig begreift). Sie versuchten auch, diese Bildhinweise mit Standard-medizinischen Fakten zu kombinieren, wie etwa dem Alter der Mutter oder ihrer Krankengeschichte. Sie testeten ihre besten Detektive an einer großen Gruppe von Frauen in einem Krankenhaus, und entscheidend war, dass sie dieselben Detektiven dann bei einer völlig anderen Gruppe von Frauen anwandten, die mit einem anderen Gerät in einer anderen Stadt gescannt worden waren. Dies ist der ultimative Test: Kann der Detektiv einen neuen Fall in einer neuen Nachbarschaft lösen, oder hat er nur das erste Szenario auswendig gelernt?
Die Ergebnisse waren ein wenig wie ein Realitätscheck. Als die Forscher ihren besten „Textur-Detektiven“ an der ersten Gruppe von Frauen testeten, machte er einen ordentlichen Job und unterschied zwischen denen, die eine Frühgeburt erlitten hätten und denen, die nicht, etwa 71 % der Zeit. Das klang vielversprechend! Als sie denselben Detektiven jedoch zu der zweiten Gruppe von Frauen brachten, die mit einem anderen Ultraschallgerät gescannt worden waren, stürzte seine Leistung ab. Er fiel auf etwa 52 %, was kaum besser ist als ein Münzwurf. Die Deep-Learning-Modelle, die eigentlich die fortschrittlichsten sein sollten, waren nicht besser; auch sie stolperten, wenn sich das Gerät änderte. Es stellte sich heraus, dass der „Fingerabdruck“, den der Computer in der ersten Klinik gelernt hatte, zu spezifisch für dieses spezielle Gerät und diese speziellen Frauen war. Der Computer war durch die neue Umgebung verwirrt, ein wenig wie ein Schüler, der die Antworten auf eine Prüfung auswendig gelernt hat, aber scheitert, wenn der Lehrer die Schriftart oder das Fragenformat ändert.
Die Geschichte endete jedoch nicht in einem totalen Scheitern. Die Forscher bemerkten etwas Interessantes, als sie eine spezifische Untergruppe betrachteten: Frauen, die bereits als „Hochrisikopatientinnen“ galten, beispielsweise aufgrund einer Vorgeschichte von Frühgeburten oder eines kurzen Muttermundes. In dieser spezifischen Gruppe funktionierte ein einfacheres Modell, das lediglich klinische Fakten (wie die medizinische Vorgeschichte) und die Länge des Muttermundes berücksichtigte, ziemlich gut und erreichte in der externen Gruppe eine Genauigkeit von 85 %. Die Forscher sind hier jedoch sehr vorsichtig. Dieser Erfolg basierte auf einer sehr kleinen Anzahl von Fällen – nur drei Hochrisiko-Frauen in der externen Gruppe hatten eine Frühgeburt erlitten. Da die Zahlen so gering waren, sind die Ergebnisse wie ein unscharfes Foto; sie deuten ein mögliches Muster an, sind aber noch kein klares, bewiesenes Bild. Die bildbasierten Modelle, ob Textur oder Deep Learning, konnten für diese Hochrisikofälle keinen zusätzlichen Nutzen bieten.
Was ist also die Lehre daraus? Der Traum von einem einzigen, universellen Computerprogramm, das jedes Ultraschallbild in der Mitte der Schwangerschaft betrachten und die Frühgeburt für jeden vorhersagen kann, ist noch nicht bereit für den Einsatz. Die Modelle waren zu empfindlich gegenüber dem spezifischen Gerät, das verwendet wurde, und der spezifischen Gruppe von Menschen, an denen sie trainiert wurden. Die Autoren legen nahe, dass eine Frühgeburt nicht nur eine einzige Sache ist; sie ist ein komplexes Syndrom mit vielen verschiedenen Ursachen, so wie eine Stadt viele verschiedene Gründe haben kann, warum sich ein Tor öffnet. Zu versuchen, all dies mit einem einfachen Bild vorherzusagen, funktioniert nicht. Stattdessen könnte die Zukunft darin liegen, spezifische Arten von Frühgeburten separat vorherzusagen und Ultraschallbilder mit anderen Hinweisen zu mischen, wie etwa genetischen Daten oder chemischen Markern, um ein klareres Bild zu erhalten. Vorerst lernt das „Auge“ des Computers noch, den Wald zu sehen, ohne sich in den Bäumen eines einzelnen Geräts zu verlieren.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.