Canadese onderzoekers hebben in een doorbraak geëxperimenteerd met het gebruik van op kunstmatige intelligentie gebaseerde deep learning als een hulpmiddel voor de vroege identificatie van geboorteafwijkingen.
Een team van de Universiteit van Ottawa in een nieuwe proof-of-concept pionierde met het gebruik van een uniek deep learning-model als hulpmiddel voor het snel en nauwkeurig lezen van ultrasone beelden.
Het doel van de studie, gepubliceerd in de wetenschappelijke tijdschrift Plos One, was om het potentieel aan te tonen voor deep-learning architectuur ter ondersteuning van vroege en betrouwbare identificatie van cystic hygroma van echografieën in het eerste trimester.
Cystic hygroma is een embryonale aandoening die ervoor zorgt dat het lymfatische vasculaire systeem zich abnormaal ontwikkelt. Het is een zeldzame en mogelijk levensbedreigende aandoening die leidt tot vochtzwelling rond het hoofd en de nek. Het is gedocumenteerd bij ongeveer 1 op de 800 zwangerschappen en 1 op de 8.000 levendgeborenen.
Echografie is van cruciaal belang bij de observatie van de groei en ontwikkeling van de foetus, maar kleine foetale structuren, onwillekeurige bewegingen van de foetus en een slechte beeldkwaliteit maken neonatale beeldacquisitie en interpretatie uitdagend. De onderzoeksgroep wilde testen hoe goed AI-gestuurde patroonherkenning het werk zou kunnen doen.
“Wat we hebben aangetoond, was dat we op het gebied van echografie dezelfde hulpmiddelen kunnen gebruiken voor beeldclassificatie en identificatie met een hoge gevoeligheid en specificiteit,”zei Dr. Mark Walker van de Faculteit der Geneeskunde van de universiteit.
“Met verdere ontwikkeling, inclusief testen in een grote multi-site dataset en externe validatie, kan onze aanpak worden toegepast op een reeks andere foetale anomalieën die typisch worden geïdentificeerd door echografie,”merkte hij op.
FacebookTwitterLinkedin
