I ricercatori della UC San Francisco hanno trovato un modo per raddoppiare l'accuratezza dei medici nel rilevare la stragrande maggioranza dei complessi difetti cardiaci fetali in utero - quando gli interventi potrebbero correggerli o migliorare notevolmente le possibilità di sopravvivenza di un bambino - combinando l'imaging ecografico di routine con strumenti informatici di apprendimento automatico. Il team, guidato dal cardiologo UCSF Rima Arnaout, ha addestrato un gruppo di modelli di apprendimento automatico per imitare i compiti che i medici seguono nella diagnosi di cardiopatia congenita complessa. In tutto il mondo, gli esseri umani rilevano solo il 30-50% di queste condizioni prima della nascita. Tuttavia, la combinazione di ultrasuoni eseguiti dall'uomo e l'analisi della macchina ha permesso ai ricercatori di rilevare il 95 per cento di accuratezza nel loro set di dati di prova.  I risultati appaiono nel numero di maggio di Nature Medicine. Lo screening ecografico fetale è universalmente raccomandato durante il secondo trimestre di gravidanza dall'Organizzazione mondiale della sanità. La diagnosi dei difetti cardiaci fetali, in particolare, può migliorare gli esiti della gravidanza e consentire ulteriori ricerche sulle terapie in utero, affermano i ricercatori.  "Lo screening del secondo trimestre è un rito di passaggio in gravidanza per dire se il feto è maschio o femmina, ma è anche usato per lo screening di difetti congeniti", ha detto Arnaout, un professore alla UCSF e autore principale del documento. In genere, l'imaging include cinque viste cardiache che potrebbero consentire ai medici di diagnosticare fino al 90 per cento delle malattie cardiache congenite, ma in pratica, solo circa la metà di queste vengono rilevati in centri non esperti.  "Da un lato, i difetti cardiaci sono il tipo più comune di difetto congenito, ed è molto importante diagnosticarli prima della nascita", ha detto Arnaout. "D'altra parte, sono ancora così rari che individuarli è difficile anche per i clinici esperti, a meno che non siano altamente specializzati. E troppo spesso, nelle cliniche e negli ospedali di tutto il mondo, la sensibilità e l’attenzione  possono essere piuttosto basse".   Il team UCSF, che include la cardiologa fetale e autrice Anita Moon-Grady, ha addestrato il software di Intelligenza Artificiale per imitare il lavoro dei medici in tre fasi. In primo luogo, hanno utilizzato reti neurali per identificare cinque immagini del cuore che sono importanti per la diagnosi. Poi, hanno usato di nuovo le reti neurali per decidere se ciascuna di queste immagini fosse normale o meno. Poi, un terzo algoritmo ha combinato i risultati dei primi due step per dare un risultato finale, stabilendo se il cuore del feto è normale o meno.  "Speriamo che questo lavoro rivoluzionerà lo screening di questi difetti congeniti", ha detto Arnaout, ricercatore presso il Chan Zuckerberg Biohub Intercampus. "Il nostro obiettivo è quello di contribuire a forgiare un percorso verso l'utilizzo dell'apprendimento automatico per risolvere le sfide diagnostiche per le molte malattie in cui gli ultrasuoni sono utilizzati nello screening e nella diagnosi".    Articolo tradotto da University of California San Francisco, Fetal Heart Defect Detection Improved by Using Machine Learning, 26 maggio 2021