人工智能辅助染色体核型分析技术在产前诊断中的应用研究

doi:10.12114/j.issn.1007-9572.2023.0549

中国全科医学 ›› 2024, Vol. 27 ›› Issue (23): 2883-2887.DOI: 10.12114/j.issn.1007-9572.2023.0549

人工智能辅助染色体核型分析技术在产前诊断中的应用研究

郭彩琴, 王峻峰^*(), 杨岚^*(), 石锦平, 唐叶, 赵頔, 吴晓

214002　江苏省无锡市妇幼保健院　江南大学附属妇产医院医学遗传与产前诊断科

收稿日期:2023-07-05 修回日期:2023-11-05 出版日期:2024-08-15 发布日期:2024-05-08
通讯作者: 王峻峰, 杨岚
作者贡献：
郭彩琴负责文章的构思设计、研究的实施和可行性分析、论文撰写；王峻峰、唐叶负责染色体核型诊断、结果分析与审核；杨岚负责研究的设计与指导、论文修改、对文章整体负责、监督管理；石锦平、吴晓负责染色体制备的实验操作；赵頔负责收集整理数据、统计分析。所有作者确认了论文最终稿。
基金资助:
江苏省妇幼保健科研项目(F202205); 无锡市医学创新团队项目（围产医学）(CXTD2021016); 无锡市"双百"中青年医疗卫生后备拔尖人才项目(HB2020074)

Application of Artificial Intelligence-assisted Chromosome Karyotyping Analysis in Prenatal Diagnosis

GUO Caiqin, WANG Junfeng^*(), YANG Lan^*(), SHI Jinping, TANG Ye, ZHAO Di, WU Xiao

Department of Medical Genetics and Prenatal Diagnosis, Wuxi Maternity and Child Health Care Hospital/Affiliated Women's Hospital of Jiangnan University, Wuxi 214002, China

Received:2023-07-05 Revised:2023-11-05 Published:2024-08-15 Online:2024-05-08
Contact: WANG Junfeng, YANG Lan

分享到

摘要/Abstract

摘要： 背景染色体异常是导致出生缺陷的常见原因，核型分析仍是产前诊断染色体异常的重要方法，也是出生缺陷防控的有效手段，但目前核型分析尤其是染色体图像分割分类主要依靠人工，费时费力。人工智能（AI）是核型分析的一种新方式，研究其在产前染色体核型诊断中的价值具有重要意义。目的探讨AI在产前染色体核型诊断中的应用效果和临床价值。方法选取2020—2022年在无锡市妇幼保健院医学遗传与产前诊断科接受介入性产前诊断、行羊水染色体核型分析的1 000例孕妇。采用双线模式：一线AI阅片后，由1名遗传医师审核，二线由另1名遗传医师应用Ikaros核型分析工作站阅片，记录各自的诊断结果及所需时间。样本的最终诊断结果以一线的人工审核和二线的人工阅片结果为准。结果 1 000例羊水样本中，AI诊断正常核型735例、非整倍体233例、结构异常0例、嵌合体32例。AI辅助遗传医师的诊断结果与遗传医师应用Ikaros系统的诊断结果完全一致，正常核型、非整倍体、结构异常、嵌合体分别是689、233、45、33例。与AI辅助遗传医师相比，AI诊断具有强一致性（Kappa值=0.895，95%CI=0.866~0.924，P<0.01）。AI诊断准确率为95.4%，灵敏度为95.4%，阳性预测值为100.0%。其中，诊断正常核型、非整倍体、结构异常、嵌合体的灵敏度分别为100.0%、100.0%、0、97.0%；阳性预测值分别为100.0%、100.0%、0、100.0%。AI平均诊断用时少于AI辅助遗传医师和Ikaros辅助遗传医师（P<0.001）；AI辅助遗传医师平均诊断用时少于Ikaros辅助遗传医师组（P<0.001）。结论 AI分析羊水核型的自动化程度高，但识别染色体结构异常的能力有待提高，建议采用AI联合遗传医师阅片的方式应用于临床，以保证产前诊断的质量并提高效率。

关键词: 染色体核型分析, 人工智能, 产前诊断, 卷积神经网络, 图像分割, 染色体分类

Abstract:

Background

Chromosomal abnormalities are one of the common causes of birth defects, and karyotype analysis is still an important method for prenatal diagnosis of chromosomal abnormalities as well as an effective way to prevent and control birth defects. However, karyotype analysis, especially chromosomal image segmentation and classification mainly depends on manual work at present, which is laborious and time-consuming. As an emerging approach to karyotype analysis, it is of great significance to investigate the application value of artificial intelligence (AI) in prenatal chromosomal karyotype diagnosis.

Objective

To investigate the application effect and clinical value of AI in prenatal karyotype diagnosis.

Methods

A total of 1 000 pregnant women who received interventional prenatal diagnosis and karyotype analysis of amniotic fluid cells in the department of medical genetics and prenatal diagnosis of Wuxi Maternity and Child Health Care Hospital between 2020 and 2022 were selected as the study subjects. The karyotype analysis of all cases was performed using two-line mode, the results of the AI reading were reviewed by one geneticist in the first line, and another geneticist analyzed the karyotypes by Ikaros karyotype analysis workstation in the second line, the diagnostic results and time were recorded respectively. The final diagnosis of the samples were based on the manual review of the first line and the manual reading of the second line.

Results

Among the 1 000 amniotic fluid samples, 735 cases were diagnosed as normal karyotype, 233 cases as aneuploidy, 0 case as structural abnormality and 32 cases as mosaicism by AI. The numbers of normal karyotype, aneuploidy, structural abnormality and mosaicism assessed by AI-assisted geneticist were 689, 233, 45 and 33, which were completely consistent with those evaluated by geneticist using Ikaros system. Compared with AI-assisted geneticist, AI-based diagnosis had strong consistency (Kappa=0.895, 95%CI=0.866-0.924, P<0.01). The diagnostic accuracy, sensitivity and positive predictive value of AI-based diagnosis was 95.4%, 95.4% and 100.0%, respectively, among which the normal karyotype, aneuploidy, structural abnormality and mosaicism were detected with a sensitivity of 100.0%, 100.0%, 0 and 97.0%, and the positive predictive value of 100.0%, 100.0%, 0 and 100.0%. The average diagnostic time of AI was shorter than that of AI-assisted geneticist and Ikaros-assisted geneticist (P<0.001), and AI-assisted geneticist took less time on average to diagnose than the Ikaros-assisted geneticist (P<0.001) .

Conclusion

AI-assisted karyotype analysis of amniotic fluid cells has a high degree of automation, but its ability to recognize chromosomal structural abnormalities needs to be improved. It is suggested that AI be combined with the geneticist for karyotype analysis in clinical application to ensure the quality of prenatal diagnosis and improve efficiency.

Key words: Karyotype analysis, Artificial intelligence, Prenatal diagnosis, Convolutional neural networks, Image segmentation, Chromosome classification

中图分类号:

R 71

郭彩琴,王峻峰,杨岚,等. 人工智能辅助染色体核型分析技术在产前诊断中的应用研究[J]. 中国全科医学, 2024, 27(23): 2883-2887. DOI: 10.12114/j.issn.1007-9572.2023.0549.
GUO Caiqin,WANG Junfeng,YANG Lan, et al. Application of Artificial Intelligence-assisted Chromosome Karyotyping Analysis in Prenatal Diagnosis[J]. Chinese General Practice, 2024, 27(23): 2883-2887. DOI: 10.12114/j.issn.1007-9572.2023.0549.

图/表 3

参考文献 20

[1]	FELDKAMP M L，CAREY J C，BYRNE J L B，et al. Etiology and clinical presentation of birth defects：population based study[J]. BMJ，2017，357：j2249. DOI：10.1136/bmj.j2249.
[2]	WANG J，WANG D，YIN Y，et al. Assessment of combined karyotype analysis and chromosome microarray analysis in prenatal diagnosis：a cohort study of 3710 pregnancies[J]. Genet Res（Camb），2022：6791439. DOI：10.1155/2022/6791439.
[3]	NIAZI M K K，PARWANI A V，GURCAN M N. Digital pathology and artificial intelligence[J]. Lancet Oncol，2019，20（5）：e253-261. DOI：10.1016/S1470-2045(19)30154-8.
[4]	MCKINNEY S M，SIENIEK M，GODBOLE V，et al. Addendum：international evaluation of an AI system for breast cancer screening[J]. Nature，2020，586（7829）：E19. DOI：10.1038/s41586-020-2679-9.
[5]	肖继刚，王慧君，蔡文宇，等. 人工智能辅助骨髓细胞形态学分析在急性髓系白血病诊疗中的应用[J]. 中华检验医学杂志，2023，46（3）：274-279. DOI：10.3760/cma.j.cn114452-20220928-00563.
[6]	COX A，PARK C，KODURU P，et al. Automated classification of cytogenetic abnormalities in hematolymphoid neoplasms[J]. Bioinformatics，2022，38（5）：1420-1426. DOI：10.1093/bioinformatics/btab822.
[7]	蔺亚妮，闫麒，黄先琪，等. 人工智能在血液系统疾病中的辅助诊断作用[J]. 中华检验医学杂志，2020，43（12）：1156-1159. DOI：10.3760/cma.j.cn114452-20200731-00641.
[8]	邱俊玮，孙频捷. 基于卷积神经网络的染色体核型分析方法研究进展[J]. 现代计算机，2021（3）：22-25. DOI：10.3969/j.issn.1007-1423.2021.03.005.
[9]	AL-KHARRAZ M S，ELREFAEI L A，FADEL M A. Automated system for chromosome karyotyping to recognize the most common numerical abnormalities using deep learning[J]. IEEE Access，2020，8：157727-157747. DOI：10.1109/ACCESS.2020.3019937.
[10]	DEVARAJ S，MADIAN N，SURESH S. Mathematical approach for segmenting chromosome clusters in metaspread images[J]. Exp Cell Res，2022，418（1）：113251. DOI：10.1016/j.yexcr.2022.113251.
[11]	HU R L，KARNOWSKI J，FADELY R，et al. Image segmentation to distinguish between overlapping human chromosomes[EB/OL].[2023-04-08].
[12]	HU X，YI W L，JIANG L，et al. Classification of metaphase chromosomes using deep convolutional neural network[J]. J Comput Biol，2019，26（5）：473-484. DOI：10.1089/cmb.2018.0212.
[13]	XIE N，LI X，LI K，et al. Statistical karyotype analysis using CNN and geometric optimization[J]. IEEE Access，2019，7：179445-179453. DOI：10.1109/ACCESS.2019.2951723.
[14]	卢沁阳，穆阳，蔡昱峰，等. 基于图卷积神经网络的染色体分割识别方法、装置及电子设备：CN113989502A[P]. 2022-01-28.
[15]	HU T，TIAN T，ZHANG Z，et al. Prenatal chromosomal microarray analysis in 2466 fetuses with ultrasonographic soft markers：aprospective cohort study[J]. Am J Obstet Gynecol，2021，224（5）：516.e1-516.e16. DOI：10.1016/j.ajog.2020.10.039.
[16]	中华预防医学会出生缺陷预防与控制专业委员会，张雪梅，戚庆炜，等. 胎儿染色体核型分析判读指南[J]. 中华医学遗传学杂志，2021（5）：409-413. DOI：10.3760/cma.j.cn511374-20201211-00867.
[17]	朱孝辉，李晓鸣，张文丽，等. 人工智能辅助诊断在宫颈液基薄层细胞学中的应用[J]. 中华病理学杂志，2021，50（4）：333-338. DOI：10.3760/cma.j.cn112151-20201013-00780.
[18]	WALTER W，POHLKAMP C，MEGGENDORFER M，et al. Artificial intelligence in hematological diagnostics：game changer or gadget?[J]. Blood Rev，2023，58：101019. DOI：10.1016/j.blre.2022.101019.
[19]	ELEMENTO O，LESLIE C，LUNDIN J，et al. Artificial intelligence in cancer research，diagnosis and therapy[J]. Nat Rev Cancer，2021，21（12）：747-752. DOI：10.1038/s41568-021-00399-1.
[20]	步宏. 积极推动人工智能在病理学的应用[J]. 中华病理学杂志，2021，50（4）：307-309. DOI：10.3760/cma.j.cn112151-20210219-00148.

人工智能辅助染色体核型分析技术在产前诊断中的应用研究

Application of Artificial Intelligence-assisted Chromosome Karyotyping Analysis in Prenatal Diagnosis

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 3

参考文献 20

相关文章 15

编辑推荐

Metrics

留言

染色体核型	AI	AI辅助遗传医师	遗传医师应用Ikaros系统阅片
正常	735	689	689
非整倍体	233	233	233
47,XN,+21	132	132	132
47,XN,+18	35	35	35
47,XN,+13	4	4	4
47,XXY	25	25	25
45,X	14	14	14
47,XXX	12	12	12
47,XYY	11	11	11
结构异常	0	45	45
易位	0	35	35
倒位	0	5	5
缺失	0	3	3
重复	0	2	2
嵌合体	32	33	33
45,X0/46,XX	14	14	14
45,X0/47,XXX	2	2	2
46,XX/47,XXX	1	1	1
46,XX/46,XY	2	2	2
46,XY/47,XYY	1	1	1
46,XY/47,XXY	2	2	2
47,XN,+2/46,XN	1	1	1
47,XN,+7/46,XN	1	1	1
47,XN,+13/46,XN	1	1	1
47,XN,+18/46,XN	1	1	1
47,XN,+21/46,XN	5	5	5
46,XN,t（21;21）/46,XN	0	1	1
45,XN,-21/46,XN	1	1	1
合计	1 000	1 000	1 000

AI组	AI辅助遗传医师组
AI组	正常	非整倍体	嵌合体	结构异常	合计
正常	689	0	1	45	735
非整倍体	0	233	0	0	233
嵌合体	0	0	32	0	32
结构异常	0	0	0	0	0
合计	689	233	33	45	1 000

[1]	雷芳, 杜亮, 董敏, 刘雪梅. 基于人工智能的临床决策支持系统早期临床评估的透明化报告[J]. 中国全科医学, 2024, 27(10): 1267-1270.
[2]	董娜, 崔婷, 王露露, 师荣慧, 冯洁, 黄晓俊. 人工智能在胃癌诊治中的研究趋势：20年的文献计量学分析[J]. 中国全科医学, 2024, 27(04): 493-501.
[3]	高景宏, 王言研, 蒋帅, 付航, 段彦然, 王素凡, 王成增. Haddon模型视角下大数据和人工智能在COVID-19疫情防控中的应用分析[J]. 中国全科医学, 2024, 27(01): 111-117.
[4]	陈龙, 曾凯, 李莎, 陶璐, 梁玮, 王皓岑, 杨如美. 人工智能算法偏见与健康不公平的成因与对策分析[J]. 中国全科医学, 2023, 26(19): 2423-2427.
[5]	郭天赐, 陈继鑫, 余伟杰, 刘爱峰. 人工智能在骨关节炎诊疗中的应用进展[J]. 中国全科医学, 2023, 26(19): 2428-2433.
[6]	沈惠文, 林永忠, 陈淑良, 张立红, 马春野, 马得原, 张策. 基于人工智能算法的脑卒中溶栓药物精准治疗：真实世界研究[J]. 中国全科医学, 2023, 26(17): 2070-2077.
[7]	陈向阳, 李舍予. 非内分泌病房住院糖尿病患者的血糖管理[J]. 中国全科医学, 2023, 26(15): 1799-1803.
[8]	刘春, 蹇文渊, 段俊国. 人工智能应用于糖尿病视网膜病变的文献计量学分析[J]. 中国全科医学, 2023, 26(15): 1847-1856.
[9]	涂嘉欣, 叶惠清, 张小强, 林雪婷, 杨善岚, 邓莉芳, 吴磊. 2000—2022年人工智能应用于食管癌领域全球研究的可视化分析[J]. 中国全科医学, 2023, 26(06): 760-768.
[10]	谭筱檀, 袁红霞. 胎儿动静脉畸形的产前超声诊断研究[J]. 中国全科医学, 2022, 25(29): 3691-3697.
[11]	罗艳, 赵兵依, 孙艳美, 田海深, 李亚丽, 张艳赏, 高健, 崔志强. 无创产前筛查高风险胎儿的产前诊断结果分析及妊娠结局研究[J]. 中国全科医学, 2022, 25(20): 2482-2488.
[12]	武爱媛, 热米拉·热扎克, 乔友林. 人工智能在宫颈病变诊断及治疗中的应用进展与挑战[J]. 中国全科医学, 2022, 25(18): 2215-2222.
[13]	吴久纯, 李甜, 李晓东, 卓越, 张玉娇, 刘敬禹. 基于人工智能随访预测肺结节增长的影响因素研究[J]. 中国全科医学, 2022, 25(17): 2115-2120.
[14]	哈艳, 袁伟珵, 孟翔杰, 田俊峰. 基于增强图卷积神经网络的病毒形态识别方法研究[J]. 中国全科医学, 2022, 25(14): 1749-1756.
[15]	余新艳, 顾志乐, 张晓娟, 赵晓晔, 张海澄. 人工智能在远程心电云平台辅助决策基层危急值心电图中的应用价值研究[J]. 中国全科医学, 2022, 25(11): 1363-1367.