다중 모드 태아 MRI를 통한 조산 맥락에서의 출생 시 임신 주수 예측

조산 (Preterm birth)은 상당한 사망률 및 평생 질병 발생 위험과 관련이 있습니다. 복잡한 다요인적 병인 (multifactorial aetiology)은 정확한 예측과 그에 따른 최적의 관리를 방해합니다. 333개의 대조군 사례와 93개의 조산 사례에서 얻은 포괄적인 다중 모드 (multi-modal) 형태학적 및 기능적 태아 MRI 데이터로부터, 데이터 결측치 보정 (data imputation), 특징 선택 (feature selection), 그리고 출생 시 임신 주수 (gestational age, GA)를 예측하기 위한 회귀 모델 (regression models)을 포함하는 맞춤형 머신러닝 (machine learning) 방법론으로 구성된 파이프라인을 개발하고 평가했습니다. 출생 시 GA 예측은 만삭 (term) 및 조산 (preterm) 범주로 분류되었으며, 그 정확도 (accuracy), 민감도 (sensitivity), 특이도 (specificity)가 보고되었습니다. 파이프라인 설계를 추가로 검증하기 위해 절제 연구 (ablation study)를 수행했습니다. 성능은 층화 10-겹 교차 검증 (stratified 10-fold cross-validation)을 사용하여 평가되었습니다. 이 파이프라인은 0.13의 R2 점수와 2.74주의 평균 절대 오차 (mean absolute error)를 달성했습니다. 또한 모든 폴드(fold)에 대해 0.77의 정확도, 0.59의 민감도, 0.82의 특이도를 달성했습니다. 파이프라인에 의해 선택된 주요 특징에는 자궁경부 길이 (cervical length)와 태반 T2* 값에서 유도된 통계치가 포함됩니다. 빠르고 움직임에 강하며 다중 모드인 태아 MRI 기술과 머신러닝 예측의 결합은 출생 시 임신 주수 예측을 가능하게 했습니다. 이 정보는 모든 임신에 있어 필수적입니다. 저희가 알고 있는 바로는, 기존 문헌에서 조산은 분류 문제 (classification problem)로만 다루어져 왔습니다. 따라서 본 연구는 개념 증명 (proof of concept)을 제공합니다. 향후 연구에서는 조산 코호트 내에서 더 세밀한 계층화를 가능하게 하기 위해 코호트 규모를 확대할 것입니다. 저희의 코드는 https://github.com/dfajardorojas/ml-for-preterm-birth- 에서 확인할 수 있습니다.