Application of artificial intelligence model based on pelvic floor ultrasound for the diagnosis of female stress urinary incontinence

doi:10.3877/cma.j.issn.1674-3253.2024.06.011

Abstract

Abstract:

Objective

Based on two-dimensional transperineal pelvic floor ultrasound images obtained during the Valsalva maneuver，this study aims to develop a deep learning artificial intelligence model to assist in the clinical grading diagnosis of female stress urinary incontinence （SUI）.

Methods

All patients underwent transperineal pelvic floor ultrasound examination within one month of their initial visit. According to the International Consultation on Incontinence Questionnaire-Short Form （ICI-QSF），the SUI patients were divided into three groups: mild （S1），moderate （S2），and severe （S3）. Baseline information and ultrasound images of the patients were collected，and midsagittal plane images of the pelvic floor during the Valsalva maneuver were selected. After preprocessing，the regions of interest（ROI） were semi-automatically segmented using computer algorithms. A transfer learning approach was applied using a ResNet50 model pretrained on ImageNet. The data were randomly divided into a training set and a test set in an 8∶2 ratio，with five-fold cross-validation performed on the training set. After model training，performance was evaluated using a confusion matrix and the area under the receiver operating characteristic curve （AUC）. Finally，gradient-weighted class activation mapping （Grad-CAM） was used to generate heatmaps to visually demonstrate the areas of interest identified by the model.

Results

A total of 282 patients were included in the study，comprising 167 patients with SUI and 115 non-SUI patients（S0）. The model achieved an accuracy of 84.1% in the training set and 83.9% in the test set. The AUC values in the training set were as follows: non-SUI 0.89 （95%CI: 0.78-0.97），mild SUI 0.96 （95%CI: 0.90-1.00），moderate SUI 0.92 （95%CI: 0.81-1.00），and severe SUI 0.93 （95%CI: 0.84-0.98）. In the test set，the AUC values were non-SUI 0.88 （95%CI: 0.77-0.98），mild SUI 0.91 （995%CI: .80-0.99），moderate SUI 0.92 （95%CI: 0.80-1.00），and severe SUI 0.88 （95%CI: 0.75-0.98）.

Conclusion

The grading diagnostic artificial intelligence model based on two-dimensional transperineal pelvic floor ultrasound images during the Valsalva maneuver shows potential to become an objective basis for the grading diagnosis of SUI patients.

Key words: Stress urinary incontinence, Pelvic floor ultrasound, Convolutional neural network, Deep learning, Artificial intelligence

Junlong Huang, Wenshuang Li, Xiaoyang Li, bolong Liu, Yilong Chen, Huiping Qiu, Xiangfu Zhou. Application of artificial intelligence model based on pelvic floor ultrasound for the diagnosis of female stress urinary incontinence[J]. Chinese Journal of Endourology(Electronic Edition), 2024, 18(06): 597-605.

/ / Recommend

Add to citation manager EndNote|Ris|BibTeX

URL: https://zhqjmnmwkzz.cma-cmc.com.cn/EN/10.3877/cma.j.issn.1674-3253.2024.06.011

https://zhqjmnmwkzz.cma-cmc.com.cn/EN/Y2024/V18/I06/597

Figures/Tables 6

References 30

［1］	Rogers RG，Pauls RN，Thakar R，et al. An international Urogynecological association （IUGA）/international continence society （ICS） joint report on the terminology for the assessment of sexual health of women with pelvic floor dysfunction［J］. Int Urogynecol J，2018，29（5）: 647-666.
［2］	沈丹萍. 基于盆底超声参数的Nomogram模型对产后压力性尿失Shen DP. The predictive value of a Nomogram model based onpelvic floor ultrasound parameters for postpartum stressurinary incontinence［D］.Jiangsu :Suzhou University，2020.
［3］	NICE Guidance - Urinary incontinence and pelvic organ prolapse in women: management: © NICE （2019） Urinary incontinence and pelvic organ prolapse in women: management ［J］. BJU Int，2019，123（5）: 777-803.
［4］	AIUM/IUGA practice parameter for the performance of Urogynecological ultrasound examinations: developed in collaboration with the ACR，the AUGS，the AUA，and the SRU［J］.Int Urogynecol J，2019，30（9）: 1389-1400.
［5］	Turkoglu A，Coskun A，Arinkan SA，et al. The role of transperineal ultrasound in the evaluation of stress urinary incontinence cases［J］.Int Braz J Urol，2022，48（1）: 70-77.
［6］	Guo L，Hao X，Chen L，et al. Early warning of hepatocellular carcinoma in cirrhotic patients by three-phase CT-based deep learning radiomics model: a retrospective，multicentre，cohort study［J］.EClinicalMedicine，2024，74: 102718.
［7］	Choudhary T，Mishra V，Goswami A，et al. A transfer learning with structured filter pruning approach for improved breast cancer classification on point-of-care devices［J］. Comput Biol Med，2021，134: 104432.
［8］	Wang X，He D，Feng F，et al. Multi-label classification of pelvic organ prolapse using stress magnetic resonance imaging with deep learning［J］. Int Urogynecol J，2022，33（10）: 2869-2877.
［9］	黄俊龙，刘柏隆，罗瑞翔，等. 联合盆底彩超数据和临床资料探讨压力性尿失禁的危险因素［J］. 中华腔镜泌尿外科杂志（电子版），2024，18（4）: 323-330.Huang JL，Liu BL，Luo RX，et al. A combined analysis of clinical data and pelvic floor ultrasound data for exploring the risk factors of stress urinary incontinence［J］. Chin J Endourol Electron Ed，2024，18（4）: 323-330.
［10］	Xiao T，Cao Y，Zhen C，et al. Nomogram analysis based on clinical and sonographic characteristics for the assessment of postpartum stress urinary incontinence［J］. J Ultrasound Med，2023，42（11）: 2591-2601.
［11］	Bu L，Yang D，Nie F，et al. Correlation of the type and degree of cystocele with stress urinary incontinence by transperineal ultrasound［J］. J Med Ultrason，2020，47（1）: 123-130.
［12］	Lukacz ES，Santiago-Lastra Y，Albo ME，et al. Urinary incontinence in women: a review［J］. JAMA，2017，318（16）: 1592-1604.
［13］	Avery K，Donovan J，Peters TJ，et al. ICIQ: a brief and robust measure for evaluating the symptoms and impact of urinary incontinence［J］. Neurourol Urodyn，2004，23（4）: 322-330.
［14］	Herrmann V，Di Sessa RG，Ricceto CL，et al. Correlation of the International Consultation on Incontinence Questionaire: urinary Incontinence/Short Form to Urodynamic diagnosis in women with urinary incontinence［J］. Rev Bras Ginecol Obstet，2013，35（1）: 16-20.
［15］	胡可，鲁蓉. 基于多参数超声特征的中老年女性压力性尿失禁诊断模型研究［J］. 中华医学超声杂志（电子版），2024，21（5）: 477-483.Hu K，Lu R. Multi-parameter ultrasound-based diagnostic model for stress urinary incontinence in middle-aged and elderly women［J］.Chin J Med Ultrasound Electron Ed，2024，21（5）: 477-483.
［16］	黄健. 中国泌尿外科和男科疾病诊断治疗指南（2019版）［M］.北京: 科学出版社，2019，345-396.Huang J. Chinese Guidelines for diagnosis and treatment of Urology and Andrology diseases （2019 Edition）［M］. Beijing: Science Press，2019，345-396.
［17］	Brooks K，Varette K，Harvey M A，et al. A model identifying characteristics predictive of successful pelvic floor muscle training outcomes among women with stress urinary incontinence［J］. Int Urogynecol J，2021，32（3）: 719-728.
［18］	Skorupska K，Grzybowska ME，Kubik-Komar A，et al. Identification of the Urogenital Distress Inventory-6 and the Incontinence Impact Questionnaire-7 cutoff scores in urinary incontinent women［J］.Health Qual Life Outcomes，2021，19（1）: 87. ［PubMed］
［19］	Price DM，Noblett K. Comparison of the cough stress test and 24 h pad test in the assessment of stress urinary incontinence［J］. Int Urogynecol J，2012，23（4）: 429-433.
［20］	Chen L，Luo D，Yu X，et al. Predicting stress urinary incontinence during pregnancy: combination of pelvic floor ultrasound parameters and clinical factors［J］. Acta Obstet Gynecol Scand，2018，97（8）: 966-975.
［21］	Zhuo Z，Ye Z，Zhang J，et al. Correlation between three-dimensional transperineal ultrasound and pelvic floor electromyography in women with stress urinary incontinence［J］. Ginekol Pol，2023，94（1）: 25-32.
［22］	Liu W，Qian L. Establishment and validation of a risk prediction model for postpartum stress urinary incontinence based on pelvic floor ultrasound and clinical data［J］. Int Urogynecol J，2022，33（12）:3491-3497.
［23］	Song C，Wen W，Pan L，et al. Analysis of the anatomical and biomechanical characteristics of the pelvic floor in cystocele［J］. Acta Obstet Gynecol Scand，2023，102（12）: 1661-1673.
［24］	李志毅，朱兰. 女性压力性尿失禁流行病学现状［J］. 实用妇产科杂志，2018，34（3）: 161-162.Li ZY，Zhu L. Epidemiological status of female stress urinary incontinence［J］. J Pract Obstet Gynecol，2018，34（3）: 161-162.
［25］	Yin W，Ma Q，Xie W，et al. Three-dimensional ultrasound assessment of risk factors for cystocele and Green classification in primipara［J］.Front Med，2022，9: 979989.
［26］	Zhang M，Lin X，Zheng Z，et al. Artificial intelligence models derived from 2D transperineal ultrasound images in the clinical diagnosis of stress urinary incontinence［J］. Int Urogynecol J，2022，33（5）: 1179-1185.
［27］	Naranjo-Ortiz C，Shek K L，Martin A J，et al. What is normal bladder neck anatomy？［J］. Int Urogynecology J，2016，27（6）: 945-950.
［28］	Bader-El-Den M，Teitei E，Perry T. Biased random forest for dealing with the class imbalance problem［J］. IEEE Trans Neural Netw Learn Syst，2019，30（7）: 2163-2172.
［29］	Jamard E，Blouet M，Thubert T，et al. Utility of 2D-ultrasound in pelvic floor muscle contraction and bladder neck mobility assessment in women with urinary incontinence［J］. J Gynecol Obstet Hum Reprod，2020，49（1）: 101629.
［30］	Horosz E，Pomian A，Zwierzchowska A，et al. Epidemiological features of the bladder neck rest position and mobility［J］. J Clin Med，2020，9（8）: 2413.

组别		例数	年龄（岁）			BMI（kg/m²）		产次（次）				阴道分娩
组别		例数	≤35	36～55	≥56	＜24	≥24	0	1	2	≥3	有	无
训练集（80%）	总数	225	45（20.00）	94（41.78）	86（38.22）	156（69.33）	69（30.67）	21（9.33）	76（33.78）	83（36.89）	45（20.00）	155（68.89）	70（31.11）
	S0	96	20（20.84）	38（39.58）	38（39.58）	67（69.79）	29（30.21）	8（8.33）	33（34.38）	37（38.54）	18（18.75）	65（67.71）	31（32.29）
	S1	38	7（18.42）	16（42.11）	15（39.47）	26（68.42）	12（31.58）	4（10.53）	13（34.21）	13（34.21）	8（21.05）	26（68.42）	12（31.58）
	S2	49	10（20.41）	20（40.82）	19（38.77）	34（69.39）	15（30.61）	5（10.20）	16（32.65）	18（32.74）	10（20.41）	33（67.35）	16（32.65）
	S3	42	8（19.05）	20（47.62）	14（33.33）	29（69.05）	13（30.95）	4（9.52）	14（33.33）	15（35.72）	9（21.43）	31（73.81）	11（26.19）
测试集（20%）	总数	57	12（21.05）	30（52.63）	15（26.32）	44（77.19）	13（22.81）	2（3.51）	21（36.84）	23（40.35）	11（19.30）	39（68.42）	18（31.58）
	S0	19	4（21.05）	9（47.37）	6（31.58）	15（78.95）	4（21.05）	1（5.26）	7（36.84）	7（36.84）	4（21.06）	13（68.42）	6（31.58）
	S1	10	2（20.00）	5（50.00）	3（30.00）	7（70.00）	3（30.00）	1（10.00）	3（30.00）	4（40.00）	2（20.00）	7（70.00）	3（30.00）
	S2	13	3（23.08）	7（53.86）	3（23.08）	10（76.92）	3（23.08）	0（0）	5（38.46）	6（46.15）	2（15.39）	8（61.54）	5（38.46）
	S3	15	3（20.00）	9（60.00）	3（20.00）	12（80.00）	3（20.00）	0（0）	6（40.00）	6（40.00）	3（20.00）	11（73.33）	4（26.67）
χ²值			3.043			1.362		2.172				0.005
P值			0.218			0.243		0.537				0.946

组别		例数	年龄（岁）			BMI（kg/m²）		产次（次）				阴道分娩
组别		例数	≤35	36～55	≥56	＜24	≥24	0	1	2	≥3	有	无
训练集（80%）	总数	225	45（20.00）	94（41.78）	86（38.22）	156（69.33）	69（30.67）	21（9.33）	76（33.78）	83（36.89）	45（20.00）	155（68.89）	70（31.11）
	S0	96	20（20.84）	38（39.58）	38（39.58）	67（69.79）	29（30.21）	8（8.33）	33（34.38）	37（38.54）	18（18.75）	65（67.71）	31（32.29）
	S1	38	7（18.42）	16（42.11）	15（39.47）	26（68.42）	12（31.58）	4（10.53）	13（34.21）	13（34.21）	8（21.05）	26（68.42）	12（31.58）
	S2	49	10（20.41）	20（40.82）	19（38.77）	34（69.39）	15（30.61）	5（10.20）	16（32.65）	18（32.74）	10（20.41）	33（67.35）	16（32.65）
	S3	42	8（19.05）	20（47.62）	14（33.33）	29（69.05）	13（30.95）	4（9.52）	14（33.33）	15（35.72）	9（21.43）	31（73.81）	11（26.19）
测试集（20%）	总数	57	12（21.05）	30（52.63）	15（26.32）	44（77.19）	13（22.81）	2（3.51）	21（36.84）	23（40.35）	11（19.30）	39（68.42）	18（31.58）
	S0	19	4（21.05）	9（47.37）	6（31.58）	15（78.95）	4（21.05）	1（5.26）	7（36.84）	7（36.84）	4（21.06）	13（68.42）	6（31.58）
	S1	10	2（20.00）	5（50.00）	3（30.00）	7（70.00）	3（30.00）	1（10.00）	3（30.00）	4（40.00）	2（20.00）	7（70.00）	3（30.00）
	S2	13	3（23.08）	7（53.86）	3（23.08）	10（76.92）	3（23.08）	0（0）	5（38.46）	6（46.15）	2（15.39）	8（61.54）	5（38.46）
	S3	15	3（20.00）	9（60.00）	3（20.00）	12（80.00）	3（20.00）	0（0）	6（40.00）	6（40.00）	3（20.00）	11（73.33）	4（26.67）
χ²值			3.043			1.362		2.172				0.005
P值			0.218			0.243		0.537				0.946

组别		准确率	灵敏度	特异度	阳性预测值	阴性预测值	约登指数	F1-指数
训练集	S0	81.8	81.3	82.1	72.2	88.5	63.3	81.5
	S1	84.1	66.7	90.6	72.7	87.9	57.3	74.4
	S2	86.4	60.0	89.7	42.9	94.6	49.7	70.8
	S3	84.1	54.5	93.9	75.0	86.1	48.5	66.1
测试集	S0	75.0	72.2	76.3	59.1	85.3	48.5	66.1
	S1	87.5	50.0	95.7	71.4	89.8	45.6	63.6
	S2	83.9	76.9	86.0	62.5	92.5	63.0	80.2
	S3	89.3	66.7	97.6	90.9	88.9	64.2	76.4

组别		准确率	灵敏度	特异度	阳性预测值	阴性预测值	约登指数	F1-指数
训练集	S0	81.8	81.3	82.1	72.2	88.5	63.3	81.5
	S1	84.1	66.7	90.6	72.7	87.9	57.3	74.4
	S2	86.4	60.0	89.7	42.9	94.6	49.7	70.8
	S3	84.1	54.5	93.9	75.0	86.1	48.5	66.1
测试集	S0	75.0	72.2	76.3	59.1	85.3	48.5	66.1
	S1	87.5	50.0	95.7	71.4	89.8	45.6	63.6
	S2	83.9	76.9	86.0	62.5	92.5	63.0	80.2
	S3	89.3	66.7	97.6	90.9	88.9	64.2	76.4

[1]	Tingting Ye, Qingying Li, Hua Chen, Huaping Zeng, Shiya Wang, Min Wu, Juan Guo, Menghua Chen, Chanxian Tang, Fengting Liang, Huifang Wang. Consistency of full-stack smart pelvic floor ultrasound and manual method in obtaining and measuring the minimum levator hiatus plane [J]. Chinese Journal of Medical Ultrasound (Electronic Edition), 2024, 21(08): 794-801.
[2]	Yang Li, Jinyu Cai, Xiaozhi Dang, Wanying Chang, Yan Ju, Yi Gao, Hongping Song. Application value of a deep learning-based model for generating strain elastography images using breast grayscale ultrasound images [J]. Chinese Journal of Medical Ultrasound (Electronic Edition), 2024, 21(06): 563-570.
[3]	Jingwu Yang, Meijun Zhou, Yufan Chen, Sushu Li, Yanni He, Nan Cui, Hongmei Liu. Artificial intelligence ultrasound combined with quality control circle activity comprehensively improves ability of junior sonographers to assess risk of thyroid nodules [J]. Chinese Journal of Medical Ultrasound (Electronic Edition), 2024, 21(05): 522-526.
[4]	Gang Luo, Silin Pan, Lingyu Sun, Zhixin Li, Taotao Chen, Sibo Qiao, Shanchen Pang. Classification of right ventricular hypoplasia in fetuses diagnosed with pulmonary atresia with an intact ventricular septum or critical pulmonary stenosis via a new semantic parsing network model [J]. Chinese Journal of Medical Ultrasound (Electronic Edition), 2024, 21(04): 377-383.
[5]	Jiawei Zhang, Rui Wang, Kecheng Zhang, Lei Yi, Zengding Zhou. Establishment and testing effectiveness of P-YOLO model for intelligent detection of the depth of burn wounds [J]. Chinese Journal of Injury Repair and Wound Healing(Electronic Edition), 2024, 19(05): 379-385.
[6]	Qinfang Qu, Fanglian Shu. Influencing factors of stress urinary incontinence in patients with pelvic organ prolapse after pelvic floor reconstruction and construction of nomogram prediction model [J]. Chinese Journal of Endourology(Electronic Edition), 2024, 18(06): 606-612.
[7]	Wei Li, Zijian Song, Yancheng Lai, Rui Zhou, Han Wu, Longxin Deng, Rui Chen. The current state and prospects of artificial intelligence applied to prognosis prediction in prostate cancer patients [J]. Chinese Journal of Endourology(Electronic Edition), 2024, 18(06): 541-546.
[8]	Ying Xiong, Jinglai Lin, Qi Bai, Jianming Guo, Shuo Wang. How far is AI from clinical application in automated renal cell carcinoma pathological diagnosis？ [J]. Chinese Journal of Endourology(Electronic Edition), 2024, 18(06): 535-540.
[9]	Qizhou Mo, Jin Su, Jian Huang, Jianwei Li, Sining Li, Jianjun Liu. Application of intelligent pressure-controlled flexible ureteroscopic suctioning lithotripsy in upper urinary tract stones with diameter of 10-25 mm [J]. Chinese Journal of Endourology(Electronic Edition), 2024, 18(05): 497-502.
[10]	Xingxing Ruan, Zhiyuan Huang, Fuxiang Liu, Jinming Di. Clinical research paper writing based on the perspective of doctors in diagnosing and treating patients [J]. Chinese Journal of Endourology(Electronic Edition), 2024, 18(04): 397-401.
[11]	Junlong Huang, Bolong Liu, Ruixiang Luo, Xiaoyang Li, Wenshuang Li, Zheng Liu, Jialiang Chen, Xiangfu Zhou. A combined analysis of clinical data and pelvic floor ultrasound data for exploring the risk factors of stress urinary incontinence [J]. Chinese Journal of Endourology(Electronic Edition), 2024, 18(04): 323-330.
[12]	Linjian Mo, Shubo Yang, Weiyun Nong, Jiwen Cheng. Application of artificial intelligence virtual digital doctors in patient education management for day surgery holmium laser enucleation of the prostate [J]. Chinese Journal of Endourology(Electronic Edition), 2024, 18(04): 318-322.
[13]	Boxing Su, Bo Xiao, Jianxing Li. Hot research and interpretation of surgical therapy for stone disease in the annual meeting of American Urology Association in 2024 [J]. Chinese Journal of Endourology(Electronic Edition), 2024, 18(04): 303-308.
[14]	Yiliang Li, Yakufu Sulayiman, Maimaitiming Maimaitiaili, Abudoureyimu Kelimu. An analysis of short-term outcomes of robotic-assisted versus conventional laparoscopic esophageal hiatal hernia repair combined with nissen fundoplication [J]. Chinese Journal of Hernia and Abdominal Wall Surgery(Electronic Edition), 2024, 18(05): 512-517.
[15]	Weiwei Zhang, Xiaochuan Huo. The importance of cultivating critical thinking among medical students in the AI era [J]. Chinese Journal of Cerebrovascular Diseases(Electronic Edition), 2024, 18(04): 357-359.

Please choose a citation manager

Content to export