KI-Modell E(3)-Pose verbessert vorgeburtliche Diagnostik durch Verfolgung fetaler Bewegungen
Forscher des MIT, des Boston Children's Hospital und von Inria haben ein neuartiges Deep-Learning-Modell namens E(3)-Pose entwickelt, das die Zuverlässigkeit vorgeburtlicher Diagnosen erheblich verbessert, indem es die Köpfe von Föten auch während der Bewegung präzise abbildet. Diese Innovation adressiert eine kritische Herausforderung in der fetalen Magnetresonanztomographie (MRT), bei der fetale Bewegungen zu unvollständigen oder verzerrten Scans führen können, was potenziell zu übersehenen oder falschen Diagnosen von Entwicklungsstörungen führt.
Wie E(3)-Pose funktioniert
Das Modell E(3)-Pose begegnet dem Problem fetaler Bewegungen, indem es grundlegende physikalische Prinzipien direkt in seine neuronale Netzwerkarchitektur integriert. Im Gegensatz zu Modellen, die Physik aus Daten lernen, bettet E(3)-Pose Konzepte wie die Links-Rechts-Symmetrie des kindlichen Kopfes ein. Dieser Ansatz ermöglicht es dem Modell, die Ausrichtung und Bewegung des Fötus effektiver zu verfolgen und sicherzustellen, dass die während einer MRT aufgenommenen 2D-Bild"schnitte" konsistent ausgerichtet sind. Diese Konsistenz ist entscheidend für die Rekonstruktion eines hochauflösenden, volumetrischen 3D-Bildes des fetalen Gehirns, das für die Identifizierung subtiler Entwicklungsanomalien unerlässlich ist.
Adressierung eines klinischen Schmerzpunkts
Die Entwicklung von E(3)-Pose wurde durch die praktischen Schwierigkeiten und Frustrationen motiviert, die bei aktuellen vorgeburtlichen MRT-Verfahren auftreten. "Eines der Probleme, wenn sich das Baby bewegt, ist, dass die Schnitte überall verstreut sind", erklärt Ramya Muthukrishnan, eine MIT-Doktorandin und Hauptautorin der Studie. "Es gibt sehr feine Details, für die man ein sehr gutes volumetrisches Bild des Gehirns benötigt." Wenn sich der kindliche Kopf verschiebt, können die Schnitte falsch ausgerichtet sein, wodurch Lücken im Scan entstehen, die kritische Regionen verdecken. Dies kann dazu führen, dass ein Radiologe wichtige Informationen für die Diagnose übersieht. Das Forschungsteam beobachtete aus erster Hand die Beschwerden von Müttern, die sich langen Scans unterzogen, und die anschließende Unfähigkeit von Radiologen, diagnostische Bilder zu erhalten, was einen erheblichen "Schmerzpunkt" in der klinischen Praxis hervorhebt.
Zusammenarbeit und zukünftige Richtungen
Das Projekt umfasste ein multidisziplinäres Team mit Beiträgen von Forschern des MIT's Abdul Latif Jameel Clinic for Machine Learning in Health (Jameel Clinic) und des Computer Science and Artificial Intelligence Laboratory (CSAIL) sowie des Boston Children's Hospital und von Inria. Zu den wichtigsten Mitarbeitern gehören Borjan Gagoski, der eine MRT-Sequenz zur Unterstützung des Trainings von E(3)-Pose entwickelte, und Aryn Lee, die bei der Patientenrekrutierung und Datenerfassung half. Die leitenden Autoren Elfar Adalsteinsson, Ellen Grant und Polina Golland leiteten die Arbeit. Professorin Golland bemerkte, dass E(3)-Pose "geometrische Konzepte wie Äquivarianz und Symmetrie elegant mit der Kraft des Deep Learnings kombiniert". Zukünftig strebt Muthukrishnan an, E(3)-Pose zu verfeinern, um jüngere Föten, insbesondere solche im zweiten Trimester, besser abzubilden, da diese kleiner sind und sich häufiger bewegen, was die Früherkennung von Anomalien noch kritischer macht. Die potenziellen Anwendungen dieser Technologie könnten sich auch über die fetale Bildgebung hinaus auf andere herausfordernde anatomische Scans und sogar auf autonome Fahrsysteme erstrecken.
