Investigadores de IA de Google investigan cambios de distribución temporal en modelos de aprendizaje profundo para análisis CTG

La cardiotocografía (CTG) es un método no invasivo que se utiliza para controlar la frecuencia cardíaca fetal y las contracciones uterinas durante el embarazo. Estos datos pueden ayudar a identificar posibles complicaciones desde el principio, como sufrimiento fetal, preeclampsia o parto prematuro. Sin embargo, la interpretación de las grabaciones de CTG puede ser subjetiva y propensa a errores, lo que conduce a posibles diagnósticos erróneos y retrasos en la intervención. Puede ser una desventaja en entornos de bajos recursos donde los intérpretes de CTG capacitados son escasos, lo que genera mayores riesgos en la monitorización fetal y la posibilidad de diagnósticos erróneos. Los investigadores de Google abordaron el desafío de la variabilidad y la subjetividad en la interpretación de la cardiotocografía visual (CTG) por parte de los expertos clínicos, centrándose específicamente en predecir la hipoxia fetal, una condición peligrosa de privación de oxígeno durante el parto, utilizando técnicas de aprendizaje profundo.

La interpretación tradicional de la CTG se basa en un análisis visual guiado por estándares establecidos como los del Instituto Nacional de Salud Infantil y Desarrollo Humano (NICHD) y la Federación Internacional de Ginecología y Obstetricia (FIGO). Se han utilizado algunos modelos de aprendizaje automático (ML) para mejorar la interpretación de CTG, pero estos modelos a menudo extraen características de diagnóstico basadas en reglas que reducen la riqueza de los datos de series temporales de CTG. En respuesta, Google utiliza una red neuronal profunda, CTG-net, para procesar datos de series temporales de frecuencia cardíaca fetal (FHR) y contracciones uterinas (UC) con el fin de predecir la hipoxia fetal. El modelo utiliza datos fisiológicos para interpretar la CTG de forma objetiva, mejorando los métodos tradicionales que dependen del juicio de expertos.

El modelo CTG-net utiliza una arquitectura de red neuronal convolucional (CNN) para analizar señales FHR y UC, aprendiendo sus relaciones temporales. Los investigadores realizaron evaluaciones exhaustivas utilizando la base de datos de cardiotocografía intraparto CTU-UHB, que incluye 552 registros de CTG, y compararon dos tipos de etiquetas reales: el pH de la sangre de la arteria umbilical (una medida objetiva) y la puntuación de Apgar (una medida subjetiva). Los resultados mostraron que los modelos entrenados con datos de pH funcionaron mejor, particularmente cuando se utilizaron datos CTG de los últimos 30 minutos antes del parto, que reflejan más fielmente los resultados del parto. El entrenamiento previo en intervalos más tempranos y el ajuste durante los últimos 30 minutos mejoraron aún más el rendimiento. El modelo también se probó en entornos de bajos recursos, utilizando grabaciones CTG intermitentes, lo que demostró la posible adaptabilidad del modelo a diferentes entornos clínicos.

En conclusión, el modelo CTG-net funciona mejor cuando se entrena con datos objetivos de pH en lugar de puntuaciones subjetivas de Apgar, lo que enfatiza la importancia de etiquetas precisas. El estudio sugiere que combinar señales de FCF y CU con metadatos clínicos puede mejorar las predicciones, pero también plantea preocupaciones sobre la equidad, ya que la inclusión de metadatos puede exacerbar las disparidades entre subgrupos demográficos. En general, la investigación demuestra el potencial de los modelos de aprendizaje profundo para reducir la variabilidad en la interpretación de la CTG y mejorar los resultados fetales.

Mira el Papel y Detalles. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo y únete a nuestro Canal de telegramas y LinkedIn Grarriba. Si te gusta nuestro trabajo, te encantará nuestro hoja informativa..

No olvides unirte a nuestro SubReddit de más de 50.000 ml.

Estamos invitando a startups, empresas e instituciones de investigación que estén trabajando en modelos de lenguajes pequeños a participar en este próximo Revista/Informe ‘Small Language Models’ de Marketchpost.com. Esta revista/informe se publicará a finales de octubre o principios de noviembre de 2024. ¡Haga clic aquí para programar una llamada!