Диагностика спектра плацентарной аккреты с использованием модели DenseNet-121 на основе глубокого обучения: многоцентровое ретроспективное исследование

Введение

Плацентарный спектр аккреты (PAS) является серьезным осложнением беременности, связанным с повышенным риском материнской и перинатальной заболеваемости. Точная диагностика PAS остается сложной задачей, несмотря на использование современных методов визуализации, таких как МРТ. В данной статье исследуется потенциал глубокого обучения (DL) для улучшения диагностики PAS на основе МРТ-изображений.

Цель

Исследование направлено на оценку диагностической ценности DL-модели DenseNet-121 в прогнозировании PAS у беременных женщин из группы высокого риска. Основное внимание уделяется сравнению эффективности DL-модели с традиционными методами машинного обучения (ML) и клиническими факторами риска.

Методы

В ретроспективное исследование включены 263 пациентки с подозрением на PAS из двух медицинских учреждений. Данные разделены на обучающую (n=170) и внешнюю проверочную (n=93) выборки. Использовались следующие этапы анализа:

• Сбор и обработка МРТ-изображений.
• Извлечение радиомических признаков (15 ключевых характеристик).
• Обучение моделей SVM, KNN, RF, LGBM и DL.
• Оценка диагностической эффективности с помощью AUC и точности.

Результаты

Унивариантный и мультивариантный логистический регрессионный анализ выявил следующие независимые клинические факторы риска PAS:

• Наличие кесарева сечения в анамнезе.
• Толщина плаценты.
• Предлежание плаценты.

Среди ML-моделей SVM показала наивысшую диагностическую эффективность (AUC=0.944, точность=0.876). Однако DL-модель превзошла все ML-методы, достигнув AUC 0.956 (95% ДИ 0.931-0.981) в обучающей выборке и 0.863 (95% ДИ 0.816-0.910) во внешней проверочной выборке. DL-модель также продемонстрировала более высокую специфичность по сравнению с ML-моделями.

Выводы

DL-модель на основе DenseNet-121 показала превосходную диагностическую эффективность в выявлении PAS по сравнению с традиционными клиническими и радиомическими подходами. Результаты подтверждены на внешней проверочной выборке, что подчеркивает потенциал DL в улучшении диагностики PAS. Внедрение таких моделей в клиническую практику может способствовать более точному прогнозированию осложнений и улучшению исходов для матери и плода.

Термины и сокращения

• PAS (Placenta Accreta Spectrum) – спектр плацентарных нарушений, включая приращение, врастание и прорастание плаценты.
• DL (Deep Learning) – глубокое обучение, подраздел машинного обучения.
• ML (Machine Learning) – машинное обучение.
• SVM (Support Vector Machine) – метод опорных векторов.
• KNN (K-Nearest Neighbors) – метод k-ближайших соседей.
• RF (Random Forest) – случайный лес.
• LGBM (Light Gradient Boosting Machine) – алгоритм градиентного бустинга.
• AUC (Area Under the Curve) – площадь под ROC-кривой, показатель эффективности модели.