基于深度学习模型的超声视频自动胎儿生物测量技术开发与时间验证研究

　　本刊推荐：本研究开发了一种基于人工智能（AI）的深度学习系统，可实时识别超声视频中的标准切面（HC/AC/FL），自动测量胎儿生物计量参数并通过Hadlock3公式估算胎儿体重（EFW）。系统在时间验证中表现出与专家超声医师相当的准确性（体重估算误差仅3.10%），为降低操作者间差异性和提升非专家医师的诊断一致性提供了创新解决方案。

　　

Highlight

胎儿生物测量由超声医师常规执行，用于发现指向妊娠相关病理的生长异常，这些异常需正确处理并可能引发分娩决策。Hadlock³[1]公式是最广泛使用的胎儿体重计算公式，采用三个生物计量参数：头围（HC）、腹围（AC）和股骨长（FL）。

INTRODUCTION

国际指南已通过如国际妇产科超声学会（ISUOG）等联盟建立以促进标准化[...]。

Training Data

人工智能训练阶段依赖两个独立收集的训练数据源。训练数据源1：我们的团队从西班牙巴塞罗那两家医院（Hospital Clinic和Hospital Sant Joan de Deu）创建的公开数据集中检索静态图像，由多名操作者在大型胎儿-母体科室的常规临床实践中采集，这些科室每年执行数千次分娩[10]。如Burgos-Artizzu等人所述，妊娠年龄在18至40周之间的患者[...]。

RESULTS

在80名拥有含AC和FL标准切面视频的患者中，AI系统自动为77名（96.3%）和79名（98.7%）患者分别识别出至少一张AC和FL标准切面图像。在79名拥有含HC标准切面视频的患者中，AI系统自动为79名（100%）患者识别出至少一张HC标准切面图像。在79名拥有含AC、FL和HC标准切面视频的患者中，AI系统自动识别出所有[...]。

DISCUSSION

通过使用一种新颖的深度学习网络组合——训练用于执行标准切面识别和生物测量——AI系统能够利用超声视频自动执行整个胎儿生物测量评估过程。这是一个新颖发现，因为它以实时工作流方式整合深度学习网络，这与大多数先前系统形成对比，后者专注于使用由人类选择的静态标准切面图像数据集进行胎儿生物测量，例如Burgos-Artizzu等人的研究。然而，这并非[...]。

CONCLUSION

本研究提出了一种创新的AI系统，用于利用AC、FL和HC标准切面图像，通过超声视频和时间验证方法进行自动胎儿生物测量。我们的模型可能在临床医生更匮乏的环境中提供帮助，使临床医生免于被生物测量评估分心，从而更专注于医患互动、病理发现和决策制定。剩下的主要未来研究挑战是如何调整AI系统以帮助引导[...]。