Automatická klasifikace zdravotního stavu plodu pomocí kardiotokografických signálů

Abstract

Diplomová práce se věnuje klasifikaci kardiotokografických záznamů za účelem diagnostiky zdravotního stavu plodu. Cílem práce je využití metod umělé inteligence jako podpůrného nástroje při rozhodování o vedení porodu, vzhledem k tomu, že hodnocení kardiotokografických signálů je ovlivněno subjektivitou lékařských posouzení. Byly použity kardiotokografické signály a klinické informace z databáze CTU-UHB, které byly předzpracovány a analyzovány. Na základě rešerše literatury, konzultací s lékařkou a statistické analýzy byla vytvořena klasifikační kritéria. Pro klasifikaci záznamů na normální, suspektní a patologické byly aplikovány techniky podpůrných vektorů, náhodného lesa, vícevrstvého perceptronu a konvoluční neuronová sít. Byla testována různá rozdělení dat a laděny hyperparametry. Nejlepších výsledků bylo dosaženo konvoluční neuronovou sítí (F1 skóre 0,6914; accuracy 0,7857; precision 0,6173; recall 0,7857; ztrátová funkce 0,4279). Výsledky ukazují potenciál využití metod umělé inteligence při klasifikaci kardiotokografických signálů. V závěru jsou diskutovány limity současných možností a implementace inteligentních algoritmů v klinické praxi.

This thesis focuses on the classification of cardiotocographic recordings for the diagnosis of fetal health status. The aim is to apply methods of artificial intelligence as a supportive tool in decision-making during labor management, considering that the evaluation of cardiotocographic signals is influenced by the subjectivity of medical assessments. Cardiotocographic signals and clinical information from the CTU-UHB database were preprocessed, features were extracted, and classification criteria were established based on a literature review, consultations with a clinical expert, and statistical analysis. Techniques including support vector machines, random forests, multilayer perceptrons, and convolutional neural networks were applied to classify cardiotocographic recordings as normal, suspicious, or pathological. Various data divisions and hyperparameter settings were tested. The best performance was achieved using a convolutional neural network, reaching an F1 score of 0,6914, an accuracy of 0,7857, a precision of 0,6173, a recall of 0,7857, and a loss function of 0,4279. The results demonstrate the potential of artificial intelligence-based models for the classification of cardiotocographic signals. Finally, the thesis discusses the current limitations and the future prospects for the implementation of intelligent algorithms in clinical practice.