Artificial intelligence techniques for the classification of cardiotocographic signals

Cardiotocography is one of the most used tool to clinically evaluate the wellbeing of the fetus. This thesis presents a novel machine learning approach applied to classifying disease states in fetuses during pregnancies. The study has evaluated CardioTocoGraphic (CTG) traces that provide Fetal Heart Rate signal and Uterine contractions. Other features are the mother's age and the gestational week. Due to the increasing success of machine learning models in the classification environment, this work explores both machine learning and deep learning models to understand which performs better. Multiple machine learning algorithms have been studied while exploiting features selection techniques to have various subsets on which to test the models. Instead, our deep learning models focus not only on learning from the above-said data but also on images extracted from CTG signals utilizing mathematical models that allow signal-to-image transformations. By exploiting multiple architectures like Multi-Layer Perceptron, Convolutional Neural Networks, and Long Short-Term Memory, we use a hybrid approach by combining these models. Our results show that our deep learning models perform better than machine learning models by reaching an 80% accuracy compared to 70%. This opens a possible integration in the clinical environment. The proposed approach could integrate the existing processing techniques on the evaluation of fetal disease states.

La Cardiotocografia è uno degli strumenti più utilizzati per analizzare lo stato di benessere del feto. Questa tesi presenta un approccio di machine learning per la classificazione di stati patologici del feto nella gravidanza. Lo studio si è basato sui traccati della CTG contenenti il segnale del battito fetale e le contrazioni uterine. Altre informazioni usate sono l'età materna e la settimana gestazionale. Grazie al continuo successo del machine learning nel classificare set di dati, questo lavoro esplora tecniche di machine learning e deep learning per confrontare e capire quale modello possa performare meglio. Nello specifico multipli algoritmi di machine learning sono stati usati, sfruttando tecniche di features selection per creare più sottoinsiemi di dati su cui poter testare i modelli. Per i modelli di deep learning sono stati usati non soltanto i dati sovramenzionati, ma anche immagini estratte dai segnali provenienti dalla CTG usando modelli matematici che permettono la conversione di un segnale in immagine. Avendo usato più architetture come il Multi Layer Perceptron, Convolutional Neural Networks e Long Short-Term Memory, abbiamo pensato di usare un approccio misto combinando questi modelli. Questa tesi mostra come i modelli di deep learning performano meglio rispetto a quelli di machine learning raggiungendo un'accuratezza dell'80% rispetto ad un 70%. Questi risultati portano ad una possibile integrazione nell'ambiente clinico. L'approccio proposto potrebbe integrare le già presenti tecniche di processamento sulla valutazione degli stati patologici del feto.