Pesquisadores de IA do Google investigam variação temporal de distribuições em modelos de aprendizado profundo para analisar CTG

A cardiotocografia (CTG) é uma técnica rara usada para monitorar a frequência cardíaca fetal e as contrações uterinas durante a gravidez. Esses dados podem ajudar a identificar problemas potenciais precocemente, como sofrimento fetal, pré-eclâmpsia ou parto prematuro. No entanto, a interpretação dos registros CTG pode ser subjetiva e propensa a erros, levando a possíveis erros de diagnóstico e atrasos na intervenção. Pode ser uma desvantagem em ambientes com poucos recursos, onde intérpretes de CTG qualificados são raros, levando a riscos mais elevados para o monitoramento fetal e ao potencial de diagnóstico incorreto. Os pesquisadores do Google enfrentaram o desafio da diversidade e da subjetividade na interpretação dos profissionais médicos da cardiotocografia visual (CTG), com foco especial na previsão da hipóxia fetal, uma condição perigosa de falta de oxigênio durante o parto, utilizando técnicas de aprendizagem profunda.

A interpretação tradicional da CTG baseia-se na análise visual orientada por padrões estabelecidos, como os do Instituto Nacional de Saúde Infantil e Desenvolvimento Humano (NICHD) e da Federação Internacional de Ginecologia e Obstetrícia (FIGO). Alguns modelos de aprendizado de máquina (ML) têm sido usados ​​para melhorar a interpretação do CTG, mas esses modelos geralmente extraem recursos de diagnóstico com base em regras que reduzem a riqueza dos dados de séries temporais do CTG. Em resposta, o Google usa uma rede neural profunda, CTG-net, para processar dados de séries temporais sobre frequência cardíaca fetal (FCF) e contrações uterinas (UC) para prever hipóxia fetal. O modelo utiliza dados anatômicos para interpretar o CTG de forma mais precisa, melhorando métodos comuns que dependem da opinião de especialistas.

O modelo CTG-net utiliza uma arquitetura de rede neural convolucional (CNN) para analisar sinais de FCF e UC, estudando suas relações temporais. Os pesquisadores conduziram uma avaliação extensa usando o banco de dados de cardiotocografia intraparto CTU-UHB, que inclui 552 registros CTG, e compararam dois tipos de rótulos verdadeiros: pH da artéria umbilical (medição objetiva) e índice de Apgar (medição consistente). Os resultados mostraram que os modelos treinados com dados de pH tiveram melhor desempenho, especialmente ao usar dados de CTG 30 minutos antes do parto, o que reflete mais de perto os resultados do parto. O treinamento precoce em momentos anteriores e o ajuste fino durante os últimos 30 minutos melhoraram o desempenho. O modelo também foi testado em ambientes com poucos recursos, utilizando registros periódicos de CTG, demonstrando a adaptabilidade robusta do modelo a diferentes ambientes clínicos.

Concluindo, o modelo CTG-net tem melhor desempenho quando treinado em dados objetivos de pH do que escores subjetivos de Apgar, enfatizando a importância de rótulos precisos. A investigação sugere que a combinação de sinais de FCF e UC com metadados clínicos pode melhorar a previsão, mas também levanta preocupações sobre a justiça, uma vez que a inclusão de metadados pode exacerbar o preconceito entre subgrupos populacionais. No geral, o estudo demonstra o potencial dos modelos de aprendizagem profunda para reduzir a variabilidade na interpretação do CTG e melhorar os resultados fetais.

Confira Papel de novo Detalhes. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Se você gosta do nosso trabalho, você vai gostar do nosso jornal..

Não se esqueça de participar do nosso Mais de 50k ML SubReddit.

Convidamos startups, empresas e institutos de pesquisa que trabalham em modelos de microlinguagem para participar deste próximo projeto Revista/Relatório 'Modelos de Linguagem Pequena' Marketchpost.com. Esta revista/relatório será lançada no final de outubro/início de novembro de 2024. Clique aqui para agendar uma chamada!