Predicting gestational age at birth in the context of preterm birth from multi-modal fetal MRI

Technische Samenvatting: Voorspellen van de zwangerschapsduur bij de geboorte op basis van multi-modale foetale MRI

Probleemstelling
Vroeggeboorte (bevalling vóór 37 weken) is een belangrijke oorzaak van neonatale mortaliteit en langdurige morbiditeit. Hoewel de overlevingskansen zijn verbeterd, blijft de incidentie van complicaties hoog en is de etiologie van spontane vroeggeboorte complex en slecht begrepen. De huidige klinische voorspelling leunt zwaar op de anamnese (bijv. eerdere vroeggeboorte) en specifieke biomarkers (baarmoederhalslengte, foetaal fibronectine), maar deze missen vaak sensitiviteit. Bovendien hebben bestaande machine learning (ML)-benaderingen voor vroeggeboorte het probleem voornamelijk behandeld als een binaire classificatieopgave met behulp van elektronische patiëntendossiers of echografie, in plaats van de exacte zwangerschapsduur (gestational age, GA) bij de geboorte te voorspellen. Er is een behoefte om uitgebreide multi-modale foetale MRI-gegevens te benutten om de GA bij de geboorte te voorspellen, wat de antenatale planning en therapeutische timing kan informeren.

Methodologie
De auteurs ontwikkelden een op maat gemaakte machine learning-pipeline om de GA bij de geboorte te voorspellen met behulp van gegevens uit 426 enkelvoudige zwangerschappen (333 controle/termijn, 93 vroeggeboorte). De dataset bevatte klinische gegevens, handmatig geëxtraheerde echometrische parameters en multi-modale foetale MRI-data (anatomische T2-gewogen en functionele T2*-relaxometrie).

De pipeline pakte drie primaire uitdagingen aan: hoge dimensionaliteit ten opzichte van de steekproefomvang, klassenimbalans en ontbrekende gegevens. De workflow omvatte:

1. Data Preprocessing:
   • Deconfounding: Om datalekken te voorkomen en subtiele signatures te isoleren van het dominante effect van de zwangerschapsduur tijdens de scan, werd GA lineair geregreerd van alle kenmerken met behulp van intern gestandaardiseerde residuen.
   • Imputatie: Ontbrekende gegevens (tot een drempelwaarde van 50%) werden afgehandeld met behulp van Multivariate Imputation by Chained Equations (MICE), waarbij Weighted K-Nearest Neighbours (KNR) en Random Forests (RF) als regressiemodellen werden vergeleken.
   • Normalisatie: Kenmerken werden genormaliseerd (gemiddelde 0, std 1).
2. Feature Selectie: Om overfitting te beperken, werden 10 kenmerken geselecteerd met behulp van ofwel Lineaire Regressie of Random Forests.
3. Model Training (Stacking):
   • Base Models: Een divers ensemble van Random Forests (RF), Support Vector Regression (SVR) en XGBoost werd getraind op elke niet-lege subset van de 10 geselecteerde kenmerken.
   • Meta-Model: De voorspellingen van de best presterende basismodellen (geselecteerd via de validatieset $R^2$) werden gecombineerd met behulp van een meta-model (ofwel Lineaire Regressie of RF).
   • Klassenimbalans: De pipeline onderzocht het upsamplen van vroeggeboortecases in de trainingsset om de scheve verdeling aan te pakken.
4. Validatie: Prestaties werden geëvalueerd met behulp van gestratificeerde 10-voudige kruisvalidatie. Een ablatie-studie werd uitgevoerd op de best presterende fold om de bijdrage van elk onderdeel van de pipeline (deconfounding, imputatie, upsampling, feature selectie en stacking) te isoleren.

Belangrijkste Resultaten
De best presterende configuratie (aangeduid als 50-KNR-RF) maakte gebruik van een 50% ontbrekende data-drempel, KNR voor imputatie, RF voor feature selectie en een RF meta-model.

• Regressieprestaties: De pipeline behaalde een gemiddelde $R^2$-score van 0,13 en een Mean Absolute Error (MAE) van 2,74 weken over de folds.
• Classificatieprestaties: Wanneer voorspellingen werden afgerond op 37 weken om termijn versus vroeggeboorte te classificeren, behaalde het model een accuratesse van 0,77, een sensitiviteit van 0,59 en een specificiteit van 0,82.
• Feature Belang: De meest consistent geselecteerde kenmerken waren de baarmoederhalslengte, gemiddelde placentaire T2, placentaire T2 lacunariteit en de bi-pariëtale diameter.
• Ablatie Bevindingen:
  • Upsampling verbeterde de sensitiviteit aanzienlijk (van <0,6 naar >0,66) maar verhoogde de MAE in individuele modellen; de uiteindelijke gestapelde meta-model bereikte echter een balans tussen hoge accuratesse en sensitiviteit zonder de trade-off die bij enkelvoudige modellen werd gezien.
  • Deconfounding verbeterde de prestaties voor XGBoost in deze specifieke context niet ten opzichte van de ruwe data, waarschijnlijk vanwege de inherente robuustheid van XGBoost.
  • De volledige pipeline (stacking + upsampling + feature selectie) presteerde beter dan alle geablateerde versies.
• Subgroep Analyse: Prestaties waren consistent voor nullipara en multipara vrouwen, maar verslechterden bij vrouwen met een voorgeschiedenis van vroeggeboorte (MAE 3,18 weken, Accuratesse 0,66), waarschijnlijk door de kleine steekproefomvang (n=32) in deze subgroep.

Significantie en Claims
Dit artikel positioneert dit werk als een proof of concept die aantoont dat multi-modale foetale MRI, gecombineerd met stacking-gebaseerde machine learning, de zwangerschapsduage bij de geboorte kan voorspellen.

• Nieuwigheid: Naar weten van de auteurs is dit de eerste studie die vroeggeboorte-voorspelling behandelt als een regressieprobleem met behulp van uitgebreide multi-modale MRI-data en een stacking ensemble-aanpak. Eerdere literatuur behandelde dit grotendeks als een classificatieprobleem met andere datamodaliteiten.
• Klinische Bruikbaarheid: De auteurs stellen dat de huidige prestaties (MAE ~2,7 weken) onvoldoende zijn voor het sturen van nauwe timing-interventies (bijv. toediening van corticosteroïden, die een venster van <1 week vereist), maar wel geschikt zijn voor bredere antenatale planning, zoals het waarborgen van de overdracht naar passende neonatale zorgfaciliteiten.
• Beperkingen: De auteurs erkennen dat het model slechts een klein deel van de variantie verklaart ($R^2$ 0,13), wat waarschijnlijk te wijten is aan de kleine cohortomvang, de heterogeniteit van de etiologie van vroeggeboorte (spontaan versus iatrogeen) en het gebrek aan longitudinale feature-data. Ze merken op dat het model moeite heeft met klasse-imbalans en generalisatie naar specifieke risicovolle subgroepen.
• Toekomstig Werk: De auteurs stellen voor om de cohortomvang te vergroten voor fijnere stratificatie, aparte modellen te maken voor iatrogene en spontane vroeggeboorte, en potentieel over te stappen op deep learning-benaderingen die direct van afbeeldingen voorspellen om handmatige feature extractie en problemen met ontbrekende gegevens te omzeilen.

Het artikel concludeert dat hoewel het model nog niet klaar is voor gebruik als zelfstandig diagnostisch instrument, het de potentie valideert van foetale MRI-data om nuttige voorspellingen te doen voor het zwangerschapsmanagement.