인공지능 기반 심음도기(Cardiotocography) 보조 시스템: 신호 재구성, 태아 심박수 분석 및 변이성 평가를 위한 통합 모델

Artificial Intelligence-Assistant Cardiotocography: Unified Model for Signal Reconstruction, Fetal Heart Rate Analysis, and Variability Assessment

태아 심박수(FHR) 모니터링 및 그 변이성 평가는 태아의 위험을 예방하고 불리한 결과를 줄이는 데 매우 중요합니다. 그러나 전통적인 방법은 장비 성능, 데이터 전송, 그리고 의사의 주관적인 판단에 의해 발생하는 한계를 가지고 있습니다. 본 연구에서는 태아 심박수 모니터링을 위해 특화된 AI 기반 FHrCTG 모델을 개발했습니다. 이 모델은 노이즈 간섭을 효과적으로 줄이고 신호를 정확하게 재구성합니다. 저희 모델은 558,412개의 레이블이 없는 데이터 포인트로 구성된 대규모 데이터 세트를 사용하여 사전 훈련되었으며, 추가적으로 7,266개의 전문가 검토 항목을 사용하여 개선되었습니다. 태아 심박수 검증을 위해, 저희는 '교차 영역 레이블(Intersection Overlapping Labels, IOL)' 접근 방식을 도입하여 심박수 분석을 범주형 판단으로 변환했습니다. 테스트 결과, 저희 모델은 중요한 태아 심박수 감속 현상을 89.13%와 87.78%의 높은 민감도와 특이도로 검출했으며, 가속 현상은 각각 62.5%와 92.04%의 정확도를 보였습니다. 또한, 임상 적용을 위한 피셔의 기준에 따르면, 저희 모델은 태아 심박수 주기 및 진폭 변동을 검증하는 데 각각 0.7214와 0.9643의 뛰어난 AUC 점수를 달성했습니다.

The monitoring of fetal heart rate (FHR) and the assessment of its variability are crucial for preventing fetal compromise and adverse outcomes. However, traditional methods encounter limitations arising from equipment performance, data transmission, and subjective assessments by doctors. We have developed a tailored AI-based FHrCTG model specifically for FHR monitoring, which effectively mitigates noise interference and precisely reconstructs signals. Our model was pre-trained on a massive dataset consisting of 558,412 unlabeled data points and further refined using 7,266 expert-reviewed entries. To validate FHR, we introduced the Intersection Overlapping Labels (IOL) approach, which transforms rate analysis into categorical judgments. Testing revealed that our model demonstrates high sensitivity and specificity in detecting critical FHR decelerations (89.13% and 87.78%, respectively) and accelerations (62.5% and 92.04%, respectively). Furthermore, based on Fischer's criteria for clinical application, our model achieved impressive AUC scores of 0.7214 and 0.9643 for verifying FHR periodicity and amplitude variation, respectively.