Fetal heart rate-based AI normative networks: gestational age prediction for IUGR assessment

Cardiotocography (CTG) is a continuous recording of the fetal heart rate obtained via an ultrasound transducer placed on the mother’s abdomen. The cardiotocograph measures a signal that represents the beat-to-beat fetal heart rate. The fetal heart rate (FHR) signal shows characteristic patterns which could be used to assess the fetal well-being and behavioral states. The Fetal Movement Profile (FMP) is an additional signal measured during the clinical examination and it indicates the perception of a movement by the pregnant woman. The fetal behavioral states can be extracted from the FHR signal. Any disturbance of the normal development in uterus may cause intrauterine growth restriction (IUGR), a pathological condition in which the fetus fails to achieve its growth potential. The fetal heart activity depends on the integrity of the central nervous system. The FHR signal can be interpreted to obtain an objective and quantitative evaluation of the fetal developmental level. This thesis aims to develop a model capable of predicting the fetal Gestational Age. This model is trained on data from healthy subjects. The second objective of this work is to use the trained network as a normative model, capable of evaluating deviations from the normal developmental trajectory. In particular, the model is tested on fetuses affected by IUGR, in which developmental delays are expected. In fact, the proposed approach focuses on modeling the normal distribution and on using deviations from it as indicators of pathology. This perspective offers several advantages, such as eliminating the need for class balancing or of labels based on uncertain thresholds to distinguish classes, and allowing applicability across different pathological conditions. This is the first known attempt at estimating the Gestational Age from the CTG signals and in using deep learning approaches to do so. The developed architecture is based on a ResNet, suitably modified and whose hyper-parameters have been tuned for the specific task. Different combinations of fetal input signals were employed to train the model, allowing to investigate the relationship between the fetal signals and the Gestational Age. The most promising results are obtained with the FHR signal combined with the FMP trace as input of the model. The network trained with this set of signals reached a positive coefficient of determination (R Squared), equal to 0.288, and a positive Pearson correlation coefficient (r) of 0.560 for healthy fetuses and a negative R Squared of -0.801 and r of -0.016 for IUGR cases. Despite still limited, these results show that the proposed methodology has the ability to identify deviations from the normal fetal development. Future works should aim to enhance robustness, interpretability and performance of the proposed methodology, contributing to its applicability in real-world clinical scenarios.

La cardiotocografia (CTG) è una registrazione continua del battito cardiaco fetale ottenuta mediante trasduttori ad ultrasuoni posizionati sull’addome materno. Il cardiotocografo misura un segnale che rappresenta il battito cardiaco fetale battito per battito. Tale segnale (FHR) mostra pattern caratteristici che possono essere usati per valutare lo stato di benessere e gli stati comportamentali fetali. Il profilo di movimento fetale (FMP) è un segnale aggiuntivo misurato durante l’esame clinico e indica la percezione del movimento da parte della donna incinta. Gli stati comportamentali fetali possono essere estratti dal segnale FHR. Qualsiasi disturbo al normale sviluppo uterino può causare un ritardo di crescita intrauterino (IUGR), una condizione patologica in cui il feto non riesce a raggiungere il proprio potenziale di crescita. Poiché l’attività cardiaca fetale dipende dall’integrità del sistema nervoso centrale, il segnale FHR può essere interpretato al fine di ottenere una valutazione oggettiva e quantitativa del livello di sviluppo fetale. Questa tesi mira a sviluppare un modello in grado di predire l’età gestazionale fetale. Il modello è allenato su dati appartenenti a soggetti sani. L’obiettivo secondario di questo lavoro è l’utilizzo della rete allenata come un modello normativo capace di valutare le deviazioni dalla normale traiettoria di sviluppo. In particolare, il modello è testato su feti affetti da IUGR, in cui sono presenti ritardi di sviluppo. L’approccio proposto si focalizza sulla modellizzazione della distribuzione normale e sull’utilizzo delle deviazioni da essa come indicatori di patologia. Questo paradigma offre diversi vantaggi, come l’eliminazione della necessità di equilibrare le classi o di ricorrere a label che si basano su soglie incerte per distinguere le classi oltre che alla possibile applicazione della metodologia proposta per diverse condizioni patologiche. Questo è il primo tentativo noto a stimare l’età gestazionale da segnali CTG ed ad utilizzare metodi di deep learning per farlo. L’architettura sviluppata è basata su una ResNet opportunamente modificata e i cui iper-parametri sono stati adattati per il compito specifico. Diverse configurazioni di segnali fetali di input sono state usate per allenare il modello, permettendo di investigare la relazione tra tali segnali e l’età gestazionale. I risultati più promettenti sono stati ottenuti con l’utilizzo del segnale FHR combinato con il tracciato FMP come input del modello. Il modello allenato con questo set di segnali ha raggiunto un coefficiente di determinazione (R quadrato) positivo e pari a 0.288 e un coefficiente di correlazione di Pearson (r) positivo di 0.560 per i feti sani mentre negativi R quadrato di -0.801 e r di -0.016 per i casi IUGR. Sebbene ancora limitati, questi risultati dimostrano la capacità della metodologia proposta di identificare deviazioni dal normale sviluppo fetale. Futuri lavori potrebbero mirare ad aumentare la robustezza, interpretabilità e prestazione della metodologia proposta, contribuendo alla sua applicabilità in scenari clinici reali.