Teraz naukowcy z Instytutu Automatyki Chińskiej Akademii Nauk (CASIA) opracowali inteligentny model przewidywania, aby uzyskać nieinwazyjne badania przesiewowe zespołu Downa za pomocą obrazu ultrasonograficznego.

Ta praca została opublikowana w JAMA Network Open 21 czerwca. W ramach tego badania naukowcy opracowali splotową sieć neuronową (CNN) w celu skonstruowania modelu głębokiego uczenia (DL), który mógłby uczyć się reprezentatywnych cech z obrazów ultrasonograficznych w celu identyfikacji płodów z zespołem Downa.

CNN to algorytm głębokiego uczenia się, który może ocenić obraz wejściowy, przypisać wagę (tj. wagi i obciążenia, których da się nauczyć) do różnych aspektów/obiektów na obrazie i odróżnić jeden od drugiego. CNN może mieć dziesiątki lub setki ukrytych warstw. Pierwsza warstwa uczy się wykrywania krawędzi, a ostatnia − wychwytywania bardziej złożonych kształtów. Badania te obejmowały 11 ukrytych warstw.

Aby dokładniej zinterpretować model DL w formie czytelnej dla człowieka, naukowcy wykorzystali również mapę aktywacji klas (CAM), aby rzucić światło na to, na czym model się skoncentrował i w jaki sposób wyraźnie umożliwił CNN poznanie cech różnicujących dla oceny ryzyka.

Naukowcy wykorzystali dwuwymiarowe obrazy ultrasonograficzne płaszczyzny środkowo-strzałkowej twarzy płodu między 11. a 14. tygodniem ciąży. Każdy obraz został podzielony na segmenty z ramką ograniczającą, aby pokazać tylko głowę płodu. Badanie objęło łącznie 822 przypadki i kontrole, z 550 uczestnikami w zestawie szkoleniowym i 272 uczestnikami w zestawie walidacyjnym.