Сквозная свёрточная нейрональная сеть для автоматического кодирования лицевых дескриптов (N-CNN) в диагностике внутриутробного дистресса

Обоснование. Существующие методы исследования внутриутробного дистресса, несмотря на свою распространённость, всё ещё имеют недостатки, поэтому изучение и оценка движений плода во время проведения ультразвуковой диагностики могут стать удобным и доступным дополнительным инструментом для диагностики данного патологического состояния.

Цель исследования. Оценка распространённости и диагностической значимости известной совокупности лицевых движений плода для своевременного определения внутриутробного дистресса.

Методы. В настоящее проспективное одноцентровое исследование были включены 225 плодов с гестационным возрастом от 32 до 40 недель. В качестве критериев соответствия внутриутробного дистресса использовалась таблица FIGO. Оценка лицевых движений у всех плодов проводилась с помощью методики BabyFACS, где для оценки использовалась двигательная единица (AU, action unit), кодировка которой проводится в строгом соответствии с таблицей двигательных дескрипторов (ДД). Статистическая обработка данных проводилась с использованием SPSS Statistics 20 (IBM Corp., США). В качестве основного статистического параметра был использован критерий Манна – Уитни, где для интерпретации значения p-тестов выбран пороговый уровень 0,05.

Результаты. Несмотря на встречаемость AU1, AU2, AU3, AU4 в обеих группах, данные ДД регистрировались в группе с подтверждённым дистрессом (p = 0,00001). Такие лицевые единицы, как AU9 и AU20, встречались только у  детей с внутриутробным дистрессом, что в  общей сумме оценки ДД можно считать одними из главных поисковых знаков, на которые в первую очередь следует обратить внимание специалистам. Все двигательные дескрипторы показали высокую прогностическую ценность положительного результата и диагностическую чувствительность, где самые высокие результаты зарегистрированы для AU9 и AU20.

Заключение. Оценка лицевых единиц при проведении ультразвуковой диагностики может быть удобным инструментом в качестве дополнительной диагностики развития внутриутробного дистресса и требует дальнейшего изучения.

1. Bartlett MS, Littlewort GC, Frank MG, Lee K. Automatic decoding of facial movements reveals deceptive pain expressions. Curr Biol. 2014; 24: 738-743. doi: 10.1016/j.cub.2014.02.009

2. Zhu S. Pain expression recognition based on pLSA model. Sci World J. 2014; 2014: 736106. doi: 10.1155/2014/736106

3. Paraschiv-Ionescu A, Buchser EE, Rutscmann B, Najafi B, Aminian K. Ambulatory system for the quantitative and qualitative analysis of gait and posture in chronic pain patients treated with spinal cord stimulation. Gait Posture. 2004; 20: 113-125. doi: 10.1016/j.gaitpost.2003.07.005

4. El Ayadi M, Kamel MS, Karray F. Survey on speech emotion recognition: Features, classification schemes, and databases. Pattern Recognit. 2011; 44: 572-587.

5. Sariyanidi E, Gunes H, Cavallaro A. Automatic analysis of facial affect: A survey of registration, representation, and recognition. IEEE Trans Pattern Anal Mach Intell. 2015; 37: 1113-1133. doi: 10.1109/TPAMI.2014.2366127

6. Peters JW, Koot HM, Grunau RE, de Boer J, van Druenen MJ, Tibboel D, et al. Neonatal facial coding system for assessing postoperative pain in infants: Item reduction is valid and feasible. Clin J Pain. 2003; 19: 353-363. doi: 10.1097/00002508-200311000-00003

7. Коротаева Н.В., Ипполитова Л.И., Першина Е.С. Выявление и идентификация лицевых сигналов новорожденных детей различного гестационного возраста для оценки эмоционального статуса младенцев. Педиатрия. Журнал им. Г.Н. Сперанского. 2020; 99(1): 40-44.

8. Коротаева Н.В., Ипполитова Л.И., Федотова Т.В., Чибисова Н.А., Першина Е.С. Минимальные лицевые движения плода как один из критериев диагностики внутриутробного дистресса. Неонатология: новости, мнения, обучение. 2020; 8(2): 7-12. doi: 10.33029/2308-2402-2020-8-2-7-12

9. Spairani E, Daniele B, Signorini MG, Magenes G. A deep learning mixed-data type approach for the classification of FHR signals. Front Bioeng Biotechnol. 2022; 10: 887549. doi: 10.3389/fbioe.2022.887549

10. Comert Z, Yang Z, Velappan S, Boopathi AM, Kocamaz AF. Performance evaluation of empirical mode decomposition and discrete wavelet transform for computerized hypoxia detection and prediction. 26th IEEE Signal Processing and Communications Applications Conference (Izmir, Turkey, 02–05 May 2018). 2018; 1-4. doi: 10.1109/siu.2018.8404243

11. Thill B. Fetal pain in the first trimester. Linacre Q. 2022; 89(1): 73-100. doi: 10.1177/00243639211059245

12. Ahmad KA, Frey CS, Fierro MA, Kenton AB, Placencia FX. Two-Year neurodevelopmental outcome of an infant born at 21 weeks 4 days gestation. Pediatrics. 2017; 140(6): e20170103. doi: 10.1542/peds.2017-0103