Badacze z Politechniki Warszawskiej chcą wspomóc ginekologów w analizie zapisu z USG i wykrywaniu ryzyka przedwczesnego porodu. W swoim rozwiązaniu wykorzystują uczenie maszynowe – informuje na swojej stronie uczelnia.
Według raportu Światowej Organizacji Zdrowia (WHO) z 2018 r. spontaniczny przedwczesny poród (przed ukończeniem 37. tygodnia ciąży) dotyczy 15 milionów noworodków rocznie. Według różnych szacunków na świecie 5-18 proc. nowonarodzonych dzieci to wcześniaki. Komplikacje z tym związane powodują, że aż milion z tych dzieci umiera przed ukończeniem 5. roku życia.
Wykorzystywana powszechnie manualna analiza obrazów ultrasonograficznych w pewnym stopniu umożliwia ginekologom prognozowanie, która ciąża może zakończyć się przedwcześnie. Nie jest to jednak ciągle metoda doskonała.
Dlatego w 2017 roku Nicole Sochacki-Wójcicka (w trakcie specjalizacji z ginekologii) oraz Jakub Wójcicki zgłosili się do dr. Tomasza Trzcińskiego z Wydziału Elektroniki i Technik Informacyjnych PW z pytaniem, czy jest możliwość zrealizowania projektu predykcji spontanicznego przedwczesnego porodu z wykorzystaniem sieci neuronowych.
Wtedy powstał zespół badawczy i zaczęły się prace. O pierwszych efektach tych badań pisze Politechnika Warszawska w komunikacie na swojej stronie https://www.pw.edu.pl/Aktualnosci/Jak-sztuczna-inteligencja-pomoze-w-zapobieganiu-przedwczesnym-porodom
„Nasze rozwiązanie może wspomóc diagnostykę komputerową i pozwolić z większą dokładnością przewidywać spontaniczne przedwczesne porody” – wyjaśnia Szymon Płotka, absolwent Politechniki Warszawskiej i jeden z członków zespołu pracującego nad projektem.
„Przed rozpoczęciem projektu, współpracujący z nami lekarze przygotowali zestaw danych uczących, walidacyjnych oraz adnotacji w formie obrysu kształtu szyjek macicy na obrazach ultrasonograficznych oraz numerycznych (0 i 1), odpowiadającymi kolejno: poród w terminie, poród przedwczesny” – wyjaśnia Szymon Płotka.
Po wstępnym oczyszczeniu takie dane są wykorzystywane jako dane „uczące” sieć neuronową – w tym przypadku konwolucyjną (splotową).
„Analizuje ona każde zdjęcie piksel po pikselu, wyodrębniając z nich niezbędne cechy, które posłużą do zadania segmentacji interesującego nas fragmentu obrazu (w tym przypadku szyjki macicy) oraz klasyfikacji (czy mamy do czynienia z porodem przedwczesnym, czy nie) – tłumaczy dalej Szymon Płotka. – W trakcie treningu sieć neuronowa testuje swoje predykcje na zbiorze walidacyjnym. Po zakończeniu trenowania sieci neuronowej, jest ona sprawdzana na danych testowych, które nie zostały wykorzystane w ramach treningu”. W ten sposób weryfikuje się poprawność wytrenowanego modelu.
W ramach projektu powstały dwie publikacje naukowe. Jedna z nich (https://doi.org/10.1007/978-3-030-32875-7_11) pokazuje, że dzięki sieci neuronowej błędy w prognozowaniu przedwczesnych porodów można zredukować z 30 proc. (manualnie przez lekarzy) do 18 proc. W kolejnej publikacji zaś (https://doi.org/10.1007/978-3-030-60334-2_27) badacze poprawili wyniki klasyfikacji.
„Zgodnie z naszą najlepszą wiedzą, są to jedyne istniejące prace podejmujące się zadania predykcji spontanicznego przedwczesnego porodu w oparciu o transwaginalne obrazy ultrasonograficzne” – mówi Szymon Płotka.
Naukowcy pracują obecnie nad serwisem w formie aplikacji internetowej. Chcą tam udostępnić przygotowane modele sieci neuronowej. Ma to pomóc ginekologom analizować obrazy ultrasonograficzne i tym samym wesprzeć diagnostykę spontanicznego przedwczesnego porodu. A to może uratować życie i zdrowie milionów noworodków.
Projekt „Opracowanie metody predykcji spontanicznych przedwczesnych porodów na podstawie filmów ultrasonograficznych z wykorzystaniem metod uczenia maszynowego w latach 2020-2021” jest finansowany w ramach Grantu Rady Dyscypliny Naukowej Informatyka Techniczna i Telekomunikacja PW.
Kierownikiem projektu jest dr hab. inż. Tomasz Trzciński z PW. W skład zespołu – oprócz Szymona Płotki – wchodzą również doktorant Tomasz Włodarczyk, student Tomasz Szczepański, a za kwestie medyczne odpowiedzialny jest lekarz ginekolog dr Michał Lipa z Warszawskiego Uniwersytetu Medycznego.
