nach oben

Erschienen in:

21.12.2021 | Echokardiografie | Leitthema

Künstliche Intelligenz in der pränatalen kardialen Diagnostik

verfasst von: Prof. Dr. Jan Weichert, Amrei Welp, Jann Lennard Scharf, Christoph Dracopoulos, Achim Rody, Michael Gembicki

Erschienen in: Die Gynäkologie | Ausgabe 1/2022

Einloggen, um Zugang zu erhalten

Zusammenfassung

Die pränatale Detektionsrate von fetalen Herzfehlern ist trotz Auflage nationaler und internationaler Screeningprogramme niedrig geblieben. Die Entdeckungsraten im Niedrigrisikokollektiv reichen von 22,5–52,8 %. Erfolgversprechende Ansätze hin zu verbesserten Detektionsraten könnten automatisierte Anwendungen der künstlichen Intelligenz (KI) darstellen. Bezug nehmend auf neuartige und bereits etablierte KI-Lösungen aus der Erwachsenenkardiologie sollen in dieser Übersicht die Möglichkeiten und Limitierungen von KI-Algorithmen für die fetale Echokardiographie diskutiert werden.

Kuhn S, Heusel-Weiss M, Kadioglu D, Michl S (2019) Digitale Transformation der Medizin – Die Zukunft aktiv gestalten. Dtsch Arztebl 116(17):A830–834

Thomford NE, Bope CD, Agamah FE et al (2020) Implementing artificial intelligence and digital health in resource-limited settings? Top 10 lessons we learned in congenital heart defects and cardiology. OMICS 24(5):264–277PubMed

Obermeyer Z, Emanuel EJ (2016) Predicting the future – big data, machine learning, and clinical medicine. N Engl J Med 375(13):1216–1219PubMedPubMedCentral

McKinney SM, Sieniek M, Godbole V et al (2020) International evaluation of an AI system for breast cancer screening. Nature 577(7788):89–94PubMed

Ou WC, Polat D, Dogan BE (2021) Deep learning in breast radiology: current progress and future directions. Eur Radiol 31(7):4872–4885PubMed

Day TG, Kainz B, Hajnal J, Razavi R, Simpson JM (2021) Artificial intelligence, fetal echocardiography, and congenital heart disease. Prenat Diagn 41:733–742PubMedCentral

Zhou J, Du M, Chang S, Chen Z (2021) Artificial intelligence in echocardiography: detection, functional evaluation, and disease diagnosis. Cardiovasc Ultrasound 19(1):29PubMedPubMedCentral

Knackstedt C, Bekkers SC, Schummers G et al (2015) Fully automated versus standard tracking of left ventricular ejection fraction and longitudinal strain: the FAST-EFs multicenter study. J Am Coll Cardiol 66(13):1456–1466PubMed

Tsang W, Salgo IS, Medvedofsky D et al (2016) Transthoracic 3D echocardiographic left heart chamber quantification using an automated adaptive analytics algorithm. JACC Cardiovasc Imaging 9(7):769–782PubMed

10.

Yeo L, Romero R (2020) New and advanced features of fetal intelligent navigation echocardiography (FINE) or 5D heart. J Matern Fetal Neonatal Med. https://doi.org/10.1080/14767058.2020.1759538CrossRefPubMed

11.

Garcia-Canadilla P, Sanchez-Martinez S, Crispi F, Bijnens B (2020) Machine learning in fetal cardiology: what to expect. Fetal Diagn Ther 47(5):363–372PubMed

12.

Johnson KW, Torres Soto J, Glicksberg BS et al (2018) Artificial intelligence in cardiology. J Am Coll Cardiol 71(23):2668–2679PubMed

13.

Hinton GE (2007) To recognize shapes, first learn to generate images. Prog Brain Res 165:535–547PubMed

14.

Kusunose K (2021) Steps to use artificial intelligence in echocardiography. J Echocardiogr 19(1):21–27PubMed

15.

Yoon YE, Kim S, Chang HJ (2021) Artificial intelligence and echocardiography. J Cardiovasc Imaging 29(3):193–204PubMedPubMedCentral

16.

Yu L, Guo Y, Wang Y, Yu J, Chen P (2017) Segmentation of fetal left ventricle in echocardiographic sequences based on dynamic convolutional neural networks. IEEE Trans Biomed Eng 64(8):1886–1895PubMed

17.

Xu L, Liu M, Shen Z et al (2020) DW-Net: a cascaded convolutional neural network for apical four-chamber view segmentation in fetal echocardiography. Comput Med Imaging Graph 80:101690PubMed

18.

Zhang J, Gajjala S, Agrawal P et al (2018) Fully automated echocardiogram interpretation in clinical practice. Circulation 138(16):1623–1635PubMedPubMedCentral

19.

Arnaout R, Curran L, Zhao Y, Levine JC, Chinn E, Moon-Grady AJ (2020) Expert-level prenatal detection of complex congenital heart disease from screening ultrasound using deep learning (medRxiv)

20.

Le TK, Truong V, Nguyen-Vo TH (2020) Application of machine learning in screening of congenital heart diseases using fetal echo-cardiography. J Am Coll Cardiol 75(11):648

21.

Dozen A, Komatsu M, Sakai A et al (2020) Image segmentation of the ventricular septum in fetal cardiac ultrasound videos based on deep learning using time-series information. Biomolecules 10(11):1526. https://doi.org/10.3390/biom10111526CrossRefPubMedCentral

22.

Dong J, Liu S, Liao Y et al (2020) A generic quality control framework for fetal ultrasound cardiac four-chamber planes. IEEE J Biomed Health Inform 24(4):931–942PubMed

23.

Nagendran M, Chen Y, Lovejoy CA et al (2020) Artificial intelligence versus clinicians: systematic review of design, reporting standards, and claims of deep learning studies. BMJ 368:m689PubMedPubMedCentral

24.

Lee CS, Lee AY (2020) How artificial intelligence can transform randomized controlled trials. Transl Vis Sci Technol 9(2):9PubMedPubMedCentral

25.

Kim YH (2021) Artificial intelligence in medical ultrasonography: driving on an unpaved road. Ultrasonography 40(3):313–317PubMedPubMedCentral

26.

Patra A, Noble JA (2020) Hierarchical class incremental learning of anatomical structures in fetal echocardiography videos. IEEE J Biomed Health Inform 24(4):1046–1058PubMed

27.

Huang W, Bridge CP, Noble JA, Zisserman A (2017) Temporal heartnet: towards human-level automatic analysis of fetal cardiac screening video

28.

Sharma H, Drukker L, Chatelain P, Droste R, Papageorghiou AT, Noble JA (2021) Knowledge representation and learning of operator clinical workflow from full-length routine fetal ultrasound scan videos. Med Image Anal 69:101973PubMed

29.

Droste R, Drukker L, Papageorghiou AT, Noble JA (2020) Automatic probe movement guidance for freehand obstetric ultrasound. Med Image Comput Comput Assist Interv 12263:583–592PubMedPubMedCentral

30.

Alsharid M, Sharma H, Drukker L, Chatelain P, Papageorghiou AT, Noble JA (2019) Captioning ultrasound images automatically (Paper presented at: Medical Image Computing and Computer Assisted Intervention – MICCAI 2019)

31.

Cai Y, Droste R, Sharma H et al (2020) Spatio-temporal visual attention modelling of standard biometry plane-finding navigation. Med Image Anal 65:101762PubMed

32.

Baumgartner CF, Kamnitsas K, Matthew J et al (2017) SonoNet: real-time detection and localisation of fetal standard scan planes in freehand ultrasound. IEEE Trans Med Imaging 36(11):2204–2215PubMed

33.

Yaqub M, Kelly B, Noble JA, Papageorghiou AT (2018) An AI system to support sonologists during fetal ultrasound anomaly screening. Ultrasound Obstet Gynecol 52(S1):9–10

34.

Yaqub M, Sleep N, Syme S et al (2021) ScanNav® audit: an AI-powered screening assistant for fetal anatomical ultrasound. Am J Obstet Gynecol 224(Suppl):312

35.

Yeo L, Romero R (2013) Fetal intelligent navigation echocardiography (FINE): a novel method for rapid, simple, and automatic examination of the fetal heart. Ultrasound Obstet Gynecol 42(3):268–284PubMed

36.

Yeo L, Luewan S, Romero R (2018) Fetal intelligent navigation echocardiography (FINE) detects 98 % of congenital heart disease. J Ultrasound Med 37(11):2577–2593PubMedPubMedCentral

37.

Garcia M, Yeo L, Romero R et al (2016) Prospective evaluation of the fetal heart using fetal intelligent navigation echocardiography (FINE). Ultrasound Obstet Gynecol 47(4):450–459PubMedPubMedCentral

38.

Huang C, Zhao BW, Chen R et al (2020) Is fetal intelligent navigation echocardiography helpful in screening for d‑transposition of the great arteries? J Ultrasound Med 39(4):775–784PubMed

39.

DeVore GR, Haxel C, Satou G et al (2021) Improved detection of coarctation of the aorta using speckle-tracking analysis of fetal heart on last examination prior to delivery. Ultrasound Obstet Gynecol 57(2):282–291PubMed

40.

DeVore GR, Klas B, Satou G, Sklansky M (2018) 24-segment sphericity index: a new technique to evaluate fetal cardiac diastolic shape. Ultrasound Obstet Gynecol 51(5):650–658PubMed

41.

DeVore GR, Klas B, Satou G, Sklansky M (2018) Twenty-four segment transverse ventricular fractional shortening: a new technique to evaluate fetal cardiac function. J Ultrasound Med 37(5):1129–1141PubMed

42.

DeVore GR, Polanco B, Satou G, Sklansky M (2016) Two-Dimensional Speckle Tracking of the Fetal Heart: A Practical Step-by-Step Approach for the Fetal Sonologist. J Ultrasound Med. 2016 Aug;35(8):1765–1781PubMed

43.

Lee M, Won H (2019) Novel technique for measurement of fetal right myocardial performance index using synchronised images of right ventricular inflow and outflow. Ultrasound Obstet Gynecol 54:178–179

44.

Kang OJ, Kim SY, Lee MY et al (2021) Novel technique for the measurement of fetal right modified myocardial performance index using synchronized images of right ventricular inflow and outflow and clinical application to twin-to-twin transfusion syndrome. J Ultrasound Med 40(11):2467–2475. https://doi.org/10.1002/jum.15634CrossRefPubMed

45.

Box G (1976) Science and statistics. J Am Stat Assoc 71:791–799

46.

Wasserstein R (2010) George Box: a model statistician. Significance 7:134–135

47.

Chen Z, Liu Z, Du M, Wang Z (2021) Artificial intelligence in obstetric ultrasound: an update and future applications. Front Med (Lausanne) 8:733468

48.

Bates DW, Auerbach A, Schulam P, Wright A, Saria S (2020) Reporting and implementing interventions involving machine learning and artificial intelligence. Ann Intern Med 172(11):S137–s144PubMed

49.

Kelly CJ, Karthikesalingam A, Suleyman M, Corrado G, King D (2019) Key challenges for delivering clinical impact with artificial intelligence. BMC Med 17(1):195PubMedPubMedCentral

50.

Sengupta PP, Shrestha S, Berthon B et al (2020) Proposed requirements for cardiovascular imaging-related machine learning evaluation (PRIME): a checklist: reviewed by the American college of cardiology Healthcare innovation council. JACC Cardiovasc Imaging 13(9):2017–2035PubMedPubMedCentral

51.

Antoniades C, Oikonomou EK (2021) Artificial intelligence in cardiovascular imaging-principles, expectations, and limitations. Eur Heart J. https://doi.org/10.1093/eurheartj/ehab678CrossRefPubMedPubMedCentral

52.

Quer G, Arnaout R, Henne M, Arnaout R (2021) Machine learning and the future of cardiovascular care: JACC state-of-the-art review. J Am Coll Cardiol 77(3):300–313PubMedPubMedCentral

53.

Allen B Jr., Seltzer SE, Langlotz CP et al (2019) A road map for translational research on artificial intelligence in medical imaging: from the 2018 national institutes of health/RSNA/ACR/the academy workshop. J Am Coll Radiol 16(9 Pt A):1179–1189PubMed

54.

Langlotz CP, Allen B, Erickson BJ et al (2019) A roadmap for foundational research on artificial intelligence in medical imaging: from the 2018 NIH/RSNA/ACR/the academy workshop. Radiology 291(3):781–791PubMed

55.

Gaffar S, Gearhart AS, Chang AC (2020) The next frontier in pediatric cardiology: artificial intelligence. Pediatr Clin North Am 67(5):995–1009PubMed

56.

Krittanawong C, Rogers AJ, Johnson KW et al (2021) Integration of novel monitoring devices with machine learning technology for scalable cardiovascular management. Nat Rev Cardiol 18(2):75–91PubMed

57.

Benjamins JW, Hendriks T, Knuuti J, Juarez-Orozco LE, van der Harst P (2019) A primer in artificial intelligence in cardiovascular medicine. Neth Heart J 27(9):392–402PubMedPubMedCentral

58.

Schuuring MJ, Išgum I, Cosyns B, Chamuleau SAJ, Bouma BJ (2021) Routine echocardiography and artificial intelligence solutions. Front Cardiovasc Med 8:648877PubMedPubMedCentral

59.

Sonntag D (2021) Künstliche Intelligenz in der Medizin und Gynäkologie – Holzweg oder Heilversprechen? Gynäkologe 54:476–482PubMedPubMedCentral

60.

Banerjee M, Chiew D, Patel KT et al (2021) The impact of artificial intelligence on clinical education: perceptions of postgraduate trainee doctors in London (UK) and recommendations for trainers. BMC Med Educ 21(1):429PubMedPubMedCentral

61.

Kleesiek J, Murray J, Kaissis G, Braren R (2020) Künstliche Intelligenz und maschinelles Lernen in der onkologischen Bildgebung. Onkologe 26:60–65

Titel: Künstliche Intelligenz in der pränatalen kardialen Diagnostik
verfasst von: Prof. Dr. Jan Weichert
Amrei Welp
Jann Lennard Scharf
Christoph Dracopoulos
Achim Rody
Michael Gembicki
Publikationsdatum: 21.12.2021
Verlag: Springer Medizin
Schlagwörter: Echokardiografie
Ultraschall
Ultraschall
Echokardiografie
Künstliche Intelligenz
Erschienen in: Die Gynäkologie / Ausgabe 1/2022
Print ISSN: 2731-7102
Elektronische ISSN: 2731-7110
DOI: https://doi.org/10.1007/s00129-021-04890-6

Neu im Fachgebiet Gynäkologie und Geburtshilfe

23.04.2024 | Medikamente in Schwangerschaft und Stillzeit | Nachrichten

Update Gynäkologie

Bestellen Sie unseren Fach-Newsletter und bleiben Sie gut informiert – ganz bequem per eMail.

Newsletter bestellen

Springer Medizin

Künstliche Intelligenz in der pränatalen kardialen Diagnostik

Zusammenfassung

Neu im Fachgebiet Gynäkologie und Geburtshilfe

ICI-Therapie in der Schwangerschaft wird gut toleriert

Weniger postpartale Depressionen nach Esketamin-Einmalgabe

Bei RSV-Impfung vor 60. Lebensjahr über Off-Label-Gebrauch aufklären!

Harnwegsinfektprophylaxe: Es geht auch ohne Antibiotika

Update Gynäkologie

Springer Medizin

Zusammenfassung

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Weitere Artikel der Ausgabe 1/2022

Kardiale Funktionsanalyse beim Feten: Schritt für Schritt

Fetale Arrhythmien – ein Update

CME: Genitalchirurgische Maßnahmen zur Feminisierung bei Geschlechtsdysphorie

Ein Relikt aus der Embryonalentwicklung?

Wer entscheidet beim Schwangerschaftsabbruch Minderjähriger?

Update fetale Echokardiographie

Neu im Fachgebiet Gynäkologie und Geburtshilfe

ICI-Therapie in der Schwangerschaft wird gut toleriert

Weniger postpartale Depressionen nach Esketamin-Einmalgabe

Bei RSV-Impfung vor 60. Lebensjahr über Off-Label-Gebrauch aufklären!

Harnwegsinfektprophylaxe: Es geht auch ohne Antibiotika

Update Gynäkologie