Digital Think Tank (DTT)

Wie wird künstliche Intelligenz helfen, Frühgeburten zu verhindern?

Laut einem Bericht der Weltgesundheitsorganisation (WHO) sind jedes Jahr 15 Millionen Neugeborene von spontanen Frühgeburten betroffen. Bis zu einer Million von ihnen sterben. Viele sind mit lebenslangen Behinderungen konfrontiert.Die üblicherweise verwendete manuelle Analyse von Ultraschallbildern ermöglicht die Erkennung möglicher Probleme, ist aber keine perfekte Methode. Dieses Problem wird von Ärzten erkannt. Im Jahr 2017 wandten sich Nicole Sochacki-Wójcicka (im Begriff, sich auf Gynäkologie zu spezialisieren) und Jakub Wójcicki an Dr. Tomasz Trzciński von der Fakultät für Elektronik und Informationstechnologie an der Technischen Universität Warschau (WUT) und fragten, ob es möglich sei, ein Projekt zur Vorhersage spontaner Frühgeburten mithilfe neuronaler Netze zu realisieren. Dann wurde ein Forschungsteam gebildet und die Arbeit begann. Die ersten Auswirkungen sind bereits bekannt. Unsere Lösung kann die Computerdiagnostik unterstützen und eine genauere Vorhersage von spontanen Frühgeburten ermöglichen", erklärt Szymon Płotka, Absolvent der Technischen Universität Warschau und eines der Mitglieder des Teams, das an dem Projekt arbeitet.

Bild Quelle: Pixabay

Das neuronale Netzwerk trainieren


Bevor wir mit dem Projekt begannen, bereiteten die Ärzte, die mit uns zusammenarbeiten, einen Satz von Lerndaten, Validierungsdaten und Annotationen in Form von Umrissen der Gebärmutterhalsform auf Ultraschall- und numerischen Bildern (0 und 1) vor, die wiederum entsprechen: Termingeburt, Frühgeburt", erklärt Szymon Płotka.


Nach einer Vorbereinigung werden solche Daten als "Lern"-Daten für das neuronale Netz - in diesem Fall ein Faltungsnetz (Plexus) - verwendet.
Es analysiert jedes Bild Pixel für Pixel und extrahiert die notwendigen Merkmale, die für die Aufgabe der Segmentierung eines interessanten Teils eines Bildes (in diesem Fall der Gebärmutterhals) und der Klassifizierung (ob es sich um vorzeitige Wehen handelt oder nicht) verwendet werden - erklärt Szymon Płotka. Sobald das neuronale Netzwerk trainiert ist, wird es an den Testdaten getestet, die beim Training nicht verwendet wurden. Dadurch wird die Gültigkeit des trainierten Modells überprüft.


Das Projekt hat zu zwei wissenschaftlichen Publikationen geführt.


Das Ergebnis der in "Schätzung von Frühgeburtsmarkern mit U-Net-Segmentierungsnetz" beschriebenen Arbeit ist u.a. die Reduktion des Fehlers bei der Vorhersage der spontanen Frühgeburt von 30% (manuell durch Ärzte) auf 18% durch ein neuronales Netzwerk. In "Spontane Frühgeburtenvorhersage mit Faltungsneuronalen Netzen" präsentierten die Forscher eine Verbesserung der Segmentierungsqualität gegenüber der ersten Veröffentlichung und erzielten bessere Klassifikationsergebnisse. Soweit wir wissen, sind dies die einzigen existierenden Arbeiten, die sich mit der Aufgabe der Vorhersage von spontanen Frühgeburten auf der Basis von transvaginalen Ultraschallbildern befassen - sagt Szymon Płotka.

Die Wissenschaftler arbeiten derzeit an einem Service in Form einer Webanwendung. Sie wollen dort die vorbereiteten neuronalen Netzmodelle zur Verfügung stellen. Es soll Gynäkologen bei der Analyse von Ultraschallbildern helfen und so die Diagnose von spontanen Frühgeburten unterstützen. Und das kann das Leben und die Gesundheit von Millionen von Neugeborenen retten.