nach oben

Die Gynäkologie

Erschienen in:

29.09.2022 | Künstliche Intelligenz | Leitthema

Stellenwert der KI im pränatalen sonographischen Screening

verfasst von: Dr. med. J. Ritgen

Erschienen in: Die Gynäkologie | Ausgabe 10/2022

Einloggen, um Zugang zu erhalten

Zusammenfassung

Intelligenz umschreibt die Fähigkeit oder kognitive Leistung, sich in neuen Situationen zurechtzufinden und Aufgaben durch Denken zu lösen [15]. Diese Fähigkeiten wurde lange Zeit ausschließlich dem Menschen zugeschrieben. Durch die Entwicklung der künstlichen Intelligenz ist es möglich geworden komplexe Aufgaben maschinell lösbar zu machen. Bildgebende diagnostischen Verfahren eignen sich dabei hervorragend für eine automatisierte Analyse durch künstliche Intelligenz, im Besonderen durch Anwendung neuronaler Netze. Der Artikel gibt einen Überblick über den aktuellen Entwicklungsstand und welche Technologien bereits in der pränatalen Diagnostik zum Einsatz kommen.

Abele H, Hoopmann M, Wright D et al (2010) Intra- and interoperator reliability of manual and semi-automated measurement of fetal nuchal translucency by sonographers with different levels of experience. Ultrasound Obstet Gynecol 36:417–422. https://doi.org/10.1002/uog.8809CrossRefPubMed

Alzubaidi M, Agus M, Alyafei K et al (2022) Towards deep observation: A systematic survey on artificial intelligence techniques to monitor fetus via ultrasound images. iScience 25(8):104713CrossRef

Arnaout R, Curran L, Zhao Y et al (2020) Expert-level prenatal detection of complex congenital heart disease from screening ultrasound using deep learning https://doi.org/10.1101/2020.06.22.20137786CrossRef

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 36:2204–2215. https://doi.org/10.1109/TMI.2017.2712367CrossRefPubMed

Chen H, Wu L, Dou Q et al (2017) Ultrasound standard plane detection using a composite neural network framework. IEEE Trans Cybern 47:1576–1586. https://doi.org/10.1109/TCYB.2017.2685080CrossRefPubMed

Cho HY, Kwon J‑Y, Kim YH et al (2012) Comparison of nuchal translucency measurements obtained using Volume NTTM and two- and three-dimensional ultrasound. Ultrasound Obstet Gynecol 39:175–180. https://doi.org/10.1002/uog.8996CrossRefPubMed

Drukker L, Sharma H, Droste R et al (2021) Transforming obstetric ultrasound into data science using eye tracking, voice recording, transducer motion and ultrasound video. Sci Rep 11:14109. https://doi.org/10.1038/s41598-021-92829-1CrossRefPubMedPubMedCentral

Eroglu H, Orgul G, Avcı E et al (2019) Comparison of automated vs. manual measurement to estimate fetal weight in isolated polyhydramnios. J Perinat Med 47:592–597. https://doi.org/10.1515/jpm-2019-0083CrossRefPubMed

Espinoza J, Good S, Russell E, Lee W (2013) Does the use of automated fetal biometry improve clinical work flow efficiency? J Ultrasound Med 32(5):847–850CrossRef

10.

van den Heuvel TLA, Petros H, Santini S et al (2019) Automated fetal head detection and circumference estimation from free-hand ultrasound sweeps using deep learning in resource-limited countries. Ultrasound Med Biol 45:773–785. https://doi.org/10.1016/j.ultrasmedbio.2018.09.015CrossRefPubMed

11.

Jardim SVB, Figueiredo MAT (2003) Automatic contour estimation in fetal ultrasound images. In: Proc. 2003 Int. Conf. Image Process. Cat No03CH37429. IEEE, Barcelona, Spain, S II-1065–8

12.

Kagan KO, Hoopmann M (2021) Bestehende und zukünftige Assistenzsysteme in der pränatalmedizinischen Bildgebung. Gynäkologe 54:483–487. https://doi.org/10.1007/s00129-021-04820-6CrossRef

13.

Kim B, Kim KC, Park Y et al (2018) Machine-learning-based automatic identification of fetal abdominal circumference from ultrasound images. Physiol Meas 39:105007. https://doi.org/10.1088/1361-6579/aae255CrossRefPubMed

14.

Korf R (1997) Does deep blue use AI? In: Proc 4th AAAI Conf Deep Blue Kasparov Significance Artif Intell 1, S 1–2

15.

Kreienberg R, Janni W, Vetter K (2021) Künstliche Intelligenz (KI). Gynäkologe 54:468–470. https://doi.org/10.1007/s00129-021-04822-4CrossRefPubMedPubMedCentral

16.

Krizhevsky A, Sutskever I, Hinton GE (2017) ImageNet classification with deep convolutional neural networks. Commun ACM 60:84–90. https://doi.org/10.1145/3065386CrossRef

17.

Luchies AC, Byram BC (2018) Deep neural networks for ultrasound beamforming. IEEE Trans Med Imaging 37:2010–2021. https://doi.org/10.1109/TMI.2018.2809641CrossRefPubMedPubMedCentral

18.

Moratalla J, Pintoffl K, Minekawa R et al (2010) Semi-automated system for measurement of nuchal translucency thickness. Ultrasound Obstet Gynecol 36:412–416. https://doi.org/10.1002/uog.7737CrossRefPubMed

19.

Neocleous AC, Nicolaides KH, Schizas CN (2016) First trimester noninvasive prenatal diagnosis: A computational intelligence approach. IEEE J Biomed Health Inform 20:1427–1438. https://doi.org/10.1109/JBHI.2015.2462744CrossRefPubMed

20.

Pluym ID, Afshar Y, Holliman K et al (2021) Accuracy of automated three-dimensional ultrasound imaging technique for fetal head biometry. Ultrasound Obstet Gynecol 57:798–803. https://doi.org/10.1002/uog.22171CrossRefPubMed

21.

Pokaprakarn T, Prieto JC, Price JT et al (2022) AI estimation of gestational age from blind ultrasound sweeps in low-resource settings. NEJM Evid. https://doi.org/10.1056/EVIDoa2100058CrossRef

22.

Rizzo G, Aiello E, Elena Pietrolucci M, Arduini D (2016) The feasibility of using 5D CNS software in obtaining standard fetal head measurements from volumes acquired by three-dimensional ultrasonography: comparison with two-dimensional ultrasound. J Matern Fetal Neonatal Med 29:2217–2222. https://doi.org/10.3109/14767058.2015.1081891CrossRefPubMed

23.

Ronneberger O, Fischer P, Brox T (2015) U‑Net: Convolutional networks for biomedical image segmentation (ArXiv150504597 Cs)

24.

Salim I, Cavallaro A, Ciofolo-Veit C et al (2019) Evaluation of automated tool for two-dimensional fetal biometry. Ultrasound Obstet Gynecol 54:650–654. https://doi.org/10.1002/uog.20185CrossRefPubMed

25.

Samuel AL (1959) Some studies in machine learning using the game of checkers. IBM J 21:211–229

26.

Sciortino G, Tegolo D, Valenti C (2017) Automatic detection and measurement of nuchal translucency. Comput Biol Med 82:12–20. https://doi.org/10.1016/j.compbiomed.2017.01.008CrossRefPubMed

27.

Silver D, Hubert T, Schrittwieser J et al (2018) A general reinforcement learning algorithm that masters chess, shogi, and go through self-play. Science 362:1140–1144. https://doi.org/10.1126/science.aar6404CrossRefPubMed

28.

Sinclair M, Baumgartner CF, Matthew J et al (2018) Human-level performance on automatic head biometrics in fetal ultrasound using fully convolutional neural networks. In: 2018 40th Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. EMBC. IEEE, Honolulu, HI, S 714–717

29.

Weichert J, Welp A, Scharf JL et al (2022) Künstliche Intelligenz in der pränatalen kardialen Diagnostik. Gynäkologe 55:22–31. https://doi.org/10.1007/s00129-021-04890-6CrossRef

30.

Wu Y, Shen K, Chen Z, Wu J (2020) Automatic measurement of fetal cavum septum pellucidum from ultrasound images using deep attention network. In: 2020 IEEE Int. Conf. Image Process. ICIP. IEEE, Abu Dhabi, United Arab Emirates, S 2511–2515

31.

BBC News (2017) Google’s “superhuman” DeepMind AI claims chess crown

32.

Sciortino G, Orlandi E, Valenti C, Tegolo D (2016) Wavelet analysis and neural network classifiers to detect mid-sagittal sections for nuchal translucency measurement. Image Anal Stereol 35:105. https://doi.org/10.5566/ias.1352CrossRef

Titel: Stellenwert der KI im pränatalen sonographischen Screening
verfasst von: Dr. med. J. Ritgen
Publikationsdatum: 29.09.2022
Verlag: Springer Medizin
Schlagwort: Künstliche Intelligenz
Erschienen in: Die Gynäkologie / Ausgabe 10/2022
Print ISSN: 2731-7102
Elektronische ISSN: 2731-7110
DOI: https://doi.org/10.1007/s00129-022-04995-6

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

Live-Webinar: Aktuelle Leitlinien bei Herz-Kreislauf-Erkrankungen

Springer Medizin

Stellenwert der KI im pränatalen sonographischen Screening

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

Live-Webinar: Aktuelle Leitlinien bei Herz-Kreislauf-Erkrankungen

Springer Medizin

Zusammenfassung

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

Weitere Artikel der Ausgabe 10/2022

Wie unterstützt künstliche Intelligenz die moderne Mammadiagnostik?

Künstliche Intelligenz und Simulation in der Pränatalmedizin – was wir von Maschinen lernen können

Chronische Sakralnervenstimulation (SNS) bei Sexualfunktionsstörungen der Frau – ein systematischer Review

Verbesserungsmöglichkeiten von nichtinvasiven Pränataltests und der Beitrag künstlicher Intelligenz

Der Mythos vom „Jungfernhäutchen“

Künstliche Intelligenz in der Gynäkologie und Geburtshilfe

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