مدل یادگیری عمیق ممکن است تولدهای زودرس را در اوایل هفته 31 پیش بینی کند

زایمان زودرس، که زمانی اتفاق می افتد که نوزاد قبل از هفته 37 بارداری متولد شود، نزدیک به 10 درصد از بارداری ها را در سراسر جهان تحت تاثیر قرار می دهد و این میزان در حال افزایش است. محققان دانشکده مهندسی مک‌کلوی در دانشگاه واشنگتن در سنت لوئیس در حال توسعه راه‌های بهتری برای پیش‌بینی زایمان زودرس با تجزیه و تحلیل فعالیت الکتریکی در دوران بارداری هستند.

آریه نهورای، استاد مهندسی برق یوجین و مارتا لومان در دپارتمان مهندسی برق و سیستم های پرستون ام. گرین، و اوری گلدشتجن، که به ترتیب در سال های 2020 و 2022 مدرک کارشناسی ارشد و دکتری خود را در رشته مهندسی زیست پزشکی از دانشگاه واشنگتن دریافت کرد، توسعه یافتند. مدلی با استفاده از یادگیری عمیق برای پیش بینی زایمان زودرس در اوایل هفته 31 بارداری. نتایج این تحقیق در 11 می منتشر شد PLoS One.

نهورایی گفت: روش ما با استفاده از اندازه گیری های الکتروهیستروگرام و اطلاعات بالینی به دست آمده در هفته سی و یکم بارداری با عملکردی قابل مقایسه با استانداردهای بالینی مورد استفاده برای تشخیص زایمان قریب الوقوع در زنان دارای علائم زایمان زودرس، زایمان زودرس را پیش بینی می کند.

Nehorai و Goldsztejn برای طراحی روش خود از اندازه گیری های الکتروهیستروگرام (EHG) استفاده کردند، یک تکنیک غیرتهاجمی که فعالیت الکتریکی رحم را از طریق الکترودهایی که روی شکم قرار داده می شود، و همچنین اطلاعات بالینی از دو پایگاه داده عمومی، مانند سن، سن بارداری، وزن، تشخیص می دهد. و خونریزی در سه ماهه اول یا دوم.

آنها یک مدل یادگیری عمیق را بر روی داده های 30 دقیقه ای EHG انجام دادند که روی 159 زن باردار حداقل هفته 26 بارداری انجام شده بود. برخی از موارد ضبط شده در طول معاینات منظم و برخی دیگر از مادرانی که با علائم زایمان زودرس در بیمارستان بستری شده بودند، ثبت شد. از کل زنان، نزدیک به 19 درصد زایمان زودرس داشتند.

Goldsztejn گفت: “ما نتایج حاملگی را از ضبط EHG با استفاده از یک شبکه عصبی عمیق پیش بینی کردیم، زیرا شبکه های عصبی به طور خودکار آموزنده ترین ویژگی ها را از داده ها یاد می گیرند.” الگوریتم یادگیری عمیق عملکرد بهتری نسبت به روش‌های دیگر داشت و راه خوبی برای ترکیب داده‌های EHG با اطلاعات بالینی ارائه کرد.

این تیم شبکه عصبی عودکننده عمیق خود را با نمونه‌های داده‌ای که نتیجه حاملگی مربوطه را نشان می‌دهند آموزش دادند تا ویژگی‌هایی را از داده‌هایی که آن پیامدها را پیش‌بینی می‌کنند، بیاموزند.

این کار – اولین روش برای پیش‌بینی زایمان زودرس در اوایل هفته 31 با استفاده از اندازه‌گیری EHG که به دقت مفیدی از نظر بالینی دست می‌یابد – بر اساس کار قبلی آزمایشگاه نهورایی و منتشر شده در PLoS One. در مطالعه قبلی، نهورای و همکارانش روشی را برای تخمین جریان الکتریکی رحم در حین انقباضات با استفاده از مگنتومیوگرافی، یک تکنیک غیرتهاجمی که فعالیت ماهیچه‌ها را با ثبت میدان‌های مغناطیسی شکمی که جریان‌های الکتریکی در عضلات تولید می‌کنند، ترسیم می‌کند، توسعه دادند.

همچنین مبتنی بر تحقیقات جدید Nehorai و Goldsztejn است که اخیراً در Biomedical Signal Processing and Control منتشر شده است که جزئیات یک روش پردازش سیگنال آماری را برای جدا کردن فعالیت الکتریکی رحم از فعالیت الکتریکی پایه، مانند قلب زن، در اندازه‌گیری EHG چند بعدی برای شناسایی انقباضات رحمی نشان می‌دهد. دقیق تر

Nehorai و Goldsztejn در تحقیقات خود دریافتند که اجزای مختلف اندازه‌گیری EHG در پیش‌بینی مدل آنها نقش داشته است. مولفه‌های فرکانس بالاتر اندازه‌گیری‌های EHG پیش‌بینی‌کننده‌تر از زایمان زودرس بود. آنها همچنین دریافتند که مدل آنها در پیش‌بینی با ضبط‌های کوتاه‌تر EHG مؤثر است، که می‌تواند استفاده از مدل را آسان‌تر، مقرون‌به‌صرفه‌تر در یک محیط بالینی و احتمالاً قابل استفاده در یک محیط خانگی کند.

نهورایی گفت: زایمان زودرس یک وضعیت فیزیولوژیکی غیرطبیعی است، نه فقط بارداری که زود به پایان برسد. بنابراین، می‌توان انتظار داشت که اندازه‌گیری‌های فیزیولوژیکی، مانند ضبط EHG، دوگانگی قوی‌تری را بین بارداری‌هایی که با زایمان زودرس یا ترم به پایان می‌رسند نسبت به ویژگی‌های پیوسته مرتبط با سن حاملگی در هنگام زایمان نشان دهد.

در ادامه، Nehorai و Goldsztejn قصد دارند دستگاهی برای ثبت اندازه‌گیری‌های EHG و جمع‌آوری داده‌ها از گروه بزرگ‌تری از زنان باردار برای بهبود روش و تأیید نتایج ایجاد کنند.