Искусственный интеллект в фетальной эхокардиографии

Актуальность: Врожденные пороки сердца (ВПС) – это одни из наиболее распространенных пороков развития плода, которые встречаются с частотой 5–9 на 1 тыс. новорожденных. ВПС развития занимают второе место среди причин младенческой смертности и составляют 47% всех причин смерти от пороков развития.

Основным методом оценки анатомии и функции сердца является 2D УЗИ. Технологии искусственного интеллекта превосходно справляются с распознаванием изображений, это позволяет быстро сканировать и анализировать визуальную информацию, а также ускорить и упростить процесс ультразвуковой диагностики.

Во всех программах искусственного интеллекта (ИИ), применяемых в акушерстве, используются статические кадры. В нашей работе, проведенной на базе ФГБУ «НМИЦ АГП им. акад. В.И. Кулакова» в 2022–2023 гг., мы использовали видеофайлы, включающие от одного до пяти стандартных срезов сердца на каждого плода.

Цель исследования: Создание набора данных для разработки ИИ-сервиса, повышающего качество диагностики ВПС плода.

Задача работы: Формирование алгоритма осмотра сердца плода при помощи ИИ. Полученное в результате медицинское заключение могло быть в одном из двух вариантов: «норма» – правильное строение сердца (ВПС нет); «не норма» – неправильное строение сердца (нельзя исключить наличие ВПС), рекомендована расширенная эхокардиография плода в кратчайшие сроки.

Методы: Исследование проводилось на сроке беременности 18–21 недель. Каждое исследование на одного пациента содержало видеофайлы пяти стандартных проекций сердца. Каждый срез представлен не менее 25 кадрами. Верификация была выполнена путем подтверждения/изменения диагноза врачом-экспертом, а также подтверждением диагноза после рождения.

Заключение: В результате выполнения работ задача определения зон грудной клетки и сердца плода решена с точностью ~98%; задача классификации среза сердца на кадре решена с точностью ~82%, задача определения патологии на срезах сердца решена с точностью ~77%.

1. Mcleod G, Shum K, Gupta T, et al. Echocardiography in congenital heart disease. Prog Cardiovasc Dis. 2018;61(5–6):468–475. PMID: 30445162. https://doi.org/10.1016/j.pcad.2018.11.004

2. Yoon SA, Hong WH, Cho HJ. Congenital heart disease diagnosed with echocardiogram in newborns with asymptomatic cardiac murmurs: a systematic review. BMC Pediatr. 2020;20(1):322. PMID: 32605548. PMCID: PMC7325562. https://doi.org/10.1186/s12887-020-02212-8

3. Gilboa SM, Salemi JL, Nembhard WN, Fixler DE, Correa A. Mortality resulting from congenital heart disease among children and adults in the United States, 1999 to 2006. Circulation. 2010;122(22):2254–2263. PMID: 21098447. PMCID: PMC4911018. https://doi.org/10.1161/CIRCULATIONAHA.110.947002

4. Под ред. Л.А. Бокерия, К.В. Шаталова. Детская кардиохирургия : Руководство для врачей. НЦССХ им. А.Н. Бакулева; 2016:24–40.

5. Facts about Critical Congenital Heart Defects. Centers for Disease Control and Prevention. Accessed February 23, 2024. https://web.archive.org/web/20240223071414/http://www.cdc.gov/ncbddd/heartdefects/cchd-facts.html

6. Bravo-Valenzuela NJ, Peixoto AB, Araujo Júnior E. Prenatal diagnosis of congenital heart disease: a review of current knowledge. Indian Heart J. 2018;70(1):150–164. PMID: 29455772. PMCID: PMC5903017. https://doi.org/10.1016/j.ihj.2017.12.005

7. Scott M, Neal AE. Congenital heart disease. Prim Care. 2021;48(3):351–366. PMID: 34311844. https://doi.org/10.1016/j.pop.2021.04.005

8. Bensemlali M, Bajolle F, Laux D, et al. Neonatal management and outcomes of prenatally diagnosed CHDs. Cardiol Young. 2017;27(2):344–353. PMID: 27225605. https://doi.org/10.1017/S1047951116000639

9. Salomon LJ, Alfirevic Z, Berghella V, et al; ISUOG Clinical Standards Committee. Practice guidelines for performance of the routine mid-trimester fetal ultrasound scan. Ultrasound Obstet Gynecol. 2011;37(1):116–126. PMID: 20842655. https://doi.org/10.1002/uog.8831

10. Bak GS, Shaffer BL, Madriago E, et al. Detection of fetal cardiac anomalies: cost-effectiveness of increased number of cardiac views. Ultrasound Obstet Gynecol. 2020;55(6):758–767. PMID: 31945242. https://doi.org/10.1002/uog.21977

11. Carvalho JS, Axt-Fliedner R, Chaoui R, et al. ISUOG practice guidelines (updated): fetal cardiac screening. Ultrasound Obstet Gynecol. 2023;61(6):788–803. PMID: 37267096. https://doi.org/10.1002/uog.26224

12. Donofrio MT, Moon-Grady AJ, Hornberger LK, et al; American Heart Association Adults With Congenital Heart Disease Joint Committee of the Council on Cardiovascular Disease in the Young and Council on Clinical Cardiology, Council on Cardiovascular Surgery and Anesthesia, and Council on Cardiovascular and Stroke Nursing. Diagnosis and treatment of fetal cardiac disease: a scientific statement from the American Heart Association. Circulation. 2014;129(21):2183–2242. Published correction appears in Circulation. 2014;129(21):e512. PMID: 24763516. https://doi.org/10.1161/01.cir.0000437597.44550.5d

13. Puri K, Allen HD, Qureshi AM. Congenital heart disease. Pediatr Rev. 2017;38(10):471–486. PMID: 28972050. https://doi.org/10.1542/pir.2017-0032

14. Sklansky M, DeVore GR. Fetal cardiac screening: what are we (and our guidelines) doing wrong?. J Ultrasound Med. 2016;35(4):679–681. PMID: 26969599. https://doi.org/10.7863/ultra.15.07021

15. Sun HY, Proudfoot JA, McCandless RT. Prenatal detection of critical cardiac outflow tract anomalies remains suboptimal despite revised obstetrical imaging guidelines. Congenit Heart Dis. 2018;13(5):748–756. PMID: 30022603. PMCID: PMC7953202. https://doi.org/10.1111/chd.12648

16. Sobhaninia Z, Rafiei S, Emami A, et al. Fetal ultrasound image segmentation for measuring biometric parameters using multi-task deep learning. Annu Int Conf IEEE Eng Med Biol Soc. 2019;2019:6545–6548. PMID: 31947341. https://doi.org/10.1109/EMBC.2019.8856981

17. Kuehn BM. Cardiac imaging on the cusp of an artificial intelligence revolution. Circulation. 2020;141(15):1266– 1267. PMID: 32282247. https://doi.org/10.1161/CIRCULATIONAHA.120.046760

18. Hannun AY, Rajpurkar P, Haghpanahi M, et al. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network. Nat Med. 2019;25(1):65–69. Published correction appears in Nat Med. 2019;25(3):530. PMID: 30617320. PMCID: PMC6784839. https://doi.org/10.1038/s41591-018-0268-3

19. Brandt V, Emrich T, Schoepf UJ, et al. Ischemia and outcome prediction by cardiac CT based machine learning. Int J Cardiovasc Imaging. 2020;36(12):2429–2439. PMID: 32623625. https://doi.org/10.1007/s10554-020-01929-y

20. Slomka PJ, Miller RJ, Isgum I, Dey D. Application and translation of artificial intelligence to cardiovascular imaging in nuclear medicine and noncontrast CT. Semin Nucl Med. 2020;50(4):357–366. PMID: 32540032. https://doi.org/10.1053/j.semnuclmed.2020.03.004

21. Arnaout R, Curran L, Chinn E, Zhao Y, Moon-Grady A. Deep-learning models improve on community-level diagnosis for common congenital heart disease lesions. arXiv. Deposited September 19, 2018. https://doi.org/10.48550/arXiv.1809.06993

22. Arnaout R. Toward a clearer picture of health. Nat Med. 2019;25(1):12. PMID: 30613101. https://doi.org/10.1038/s41591-018-0318-x

23. Ouyang D, He B, Ghorbani A, et al. Video-based AI for beat-to-beat assessment of cardiac function. Nature. 2020;580(7802):252–256. PMID: 32269341. PMCID: PMC8979576. https://doi.org/10.1038/s41586-020-2145-8

24. Yeo L, Romero R. Fetal Intelligent Navigation Echocardiography (FINE): a novel method for rapid, simple, and automatic examination of the fetal heart. Ultrasound Obstet Gynecol. 2013;42(3):268–284. PMID: 24000158. PMCID: PMC9651141. https://doi.org/10.1002/uog.12563

25. Shin HC, Roth HR, Gao M, et al. Deep Convolutional neural networks for computer-aided detection: CNN architectures, dataset characteristics and transfer learning. IEEE Trans Med Imaging. 2016;35(5):1285–1298. PMID: 26886976. PMCID: PMC4890616. https://doi.org/10.1109/TMI.2016.2528162

26. Torrents-Barrena J, Piella G, Masoller N, et al. Segmentation and classification in MRI and US fetal imaging: recent trends and future prospects. Med Image Anal. 2019;51:61–88. PMID: 30390513. https://doi.org/10.1016/j.media.2018.10.003

27. Zhang B, Liu H, Luo H, Li K. Automatic quality assessment for 2D fetal sonographic standard plane based on multitask learning. Medicine (Baltimore). 2021;100(4):e24427. PMID: 33530242. PMCID: PMC7850658. https://doi.org/10.1097/MD.0000000000024427

28. Nurmaini S, Rachmatullah MN, Sapitri AI, et al. Deep learning-based computer-aided fetal echocardiography: application to heart standard view segmentation for congenital heart defects detection. Sensors (Basel). 2021;21(23):8007. PMID: 34884008. PMCID: PMC8659935. https://doi.org/10.3390/s21238007

29. Wu H, Wu B, Lai F, et al. Application of artificial intelligence in anatomical structure recognition of standard section of fetal heart. Comput Math Methods Med. 2023;2023:5650378. PMID: 36733613. PMCID: PMC9889146. https://doi.org/10.1155/2023/5650378