人工智能辅助的产前护理：一种结合心电监护和子宫收缩监测的双模态胎儿健康评估系统

《Frontiers in Physiology》：AI-augmented prenatal care: a dual-modal fetal health assessment system integrating cardiotocography and uterine contraction synergy

　　胎儿心音监测（FHR）与子宫收缩（UC）双模态分析系统通过引入选择性核（SK）注意力机制，优化DenseNet121模型以动态融合多尺度生理特征，显著提升异常检测准确率至95.88%且召回率达100%。研究构建了包含326例中国孕妇的专用数据集，同步采集并处理FHR/UC图像信号，采用模板匹配与噪声抑制技术提取标准化时序特征，对比单模态模型AUC从0.812提升至0.944。该轻量化模型（参数量8.3M）可部署于资源受限场景，有效减少临床误诊率。

　　胎儿心率监测（FHR）是评估胎儿健康状况的重要工具，但传统方法依赖于医生的主观解读，这种主观性导致了显著的差异，可能引发误诊和过度治疗。人工智能（AI）技术为解决这一问题提供了新的途径，但现有研究大多仅使用单模态（仅FHR）数据，未能满足临床指南中强调的“对胎儿心率和子宫收缩（UC）进行双模态分析”的要求。本研究旨在开发一种基于深度学习的双模态智能监测系统，以提高胎儿健康评估的准确性和临床实用性。

为了突破现有公共数据集在区域临床应用中的局限性，本研究与成都某三级医院的产科中心合作，构建了一个专门针对中国孕妇的双模态临床数据集，共包含326名孕妇的数据。在该数据集基础上，研究团队提出了基于DenseNet121架构的改进模型，引入了一种选择性注意力机制（SK模块），并提出了DenseNet121-SK模型。通过图像处理技术提取标准化的FHR和UC信号，DenseNet121-SK模型利用密集连接和SK模块动态融合多尺度特征，如瞬时波动和收缩周期关联。此外，模型在训练过程中采用了轻量化设计，以提高医生的使用便捷性。

研究结果表明，双模态输入显著优于单模态输入，分类AUC达到0.944（相比之下，单模态输入的AUC为0.812），验证了多参数协同解读的临床价值。SK模块能够模拟产科医生的多尺度认知，达到了95.88%的准确率，并且对异常情况的召回率达到100%。该系统有效减少了主观解读的差异性，为减少过度治疗提供了技术支持。

在讨论部分，本研究强调了在临床可解释性和高性能之间取得平衡的重要性。通过轻量级AI设计（仅8.3百万参数）和双模态数据融合，该系统特别适合资源有限的基层医疗环境。未来的研究应进一步通过多中心验证优化模型的泛化能力，并探索与大型语言模型的集成，以生成标准化的报告。这些发现为优化围产期医疗资源和AI辅助决策提供了重要参考。

本研究还探讨了胎儿心电图（CTG）的解读标准，其中详细描述了CTG的三个核心分类：Class I、Class II和Class III。Class I图形表示胎儿酸碱平衡正常，Class II图形则需要结合临床情况、连续胎儿心率监测和其他评估方法来判断是否存在胎儿缺氧，而Class III图形则提示胎儿可能存在酸碱平衡障碍，需立即采取措施纠正。CTG的解读不仅依赖于单一信号，还需要结合子宫收缩信号，以准确区分不同类型的异常情况，如晚期减速和变异性减速。

此外，研究还指出，传统机器学习方法在处理胎儿心率信号时存在局限性，例如依赖人工引入的特征或使用一维信号作为输入。相比之下，基于卷积神经网络（CNN）和长短期记忆网络（LSTM）的深度学习方法能够自动提取时空特征，提高识别准确率。然而，许多研究仍然局限于单模态数据，未能充分利用双模态信息，这可能影响对胎儿状况的全面评估。

为了应对这一挑战，本研究构建了一个专门针对中国孕妇的双模态数据集，解决了现有数据集在种族泛化和多模态数据完整性方面的不足。该数据集在信号采集参数和评估阈值上进行了优化，以更好地适应中国孕妇的生理特征。例如，中国孕妇的胎儿心率基线平均值为142±8次/分钟，显著低于欧洲人群的148±10次/分钟。此外，数据集实现了FHR和UC信号的100%同步采集和时间对齐，支持耦合振荡分析（COA），符合临床指南中对多参数联合解读的要求。

在数据预处理方面，研究团队提出了一种基于图像处理和模板匹配的噪声抑制方法。该方法首先将原始胎儿监测图像进行灰度化和二值化处理，以区分胎儿心率和子宫收缩信号的区域。然后，通过定义两种生理信号模板，提取标准化的信号序列。这种方法能够有效保留生物信号的非线性特征，同时减少非信号区域的随机噪声干扰。

在模型设计方面，本研究选择了DenseNet121作为基础网络，因其在处理小数据集时表现出较高的参数效率。DenseNet121的密集连接结构能够增强特征传播，提高特征融合效率，并减少梯度消失问题。此外，研究团队引入了SK注意力模块，以动态调整模型的接收场，从而更好地捕捉不同病理特征。SK模块通过并行处理多分支卷积核，生成差异化接收场的特征映射，这有助于模型在时间域、频率域和空间域上实现三重优化。

在实验结果部分，研究团队对多种模型进行了对比评估，结果显示DenseNet121-SK模型在准确率（95.88%）和召回率（100%）方面表现优异，尤其在检测异常病例时具有显著优势。此外，双模态输入的AUC（0.944）明显优于单模态输入（0.812），验证了双模态数据融合的临床价值。然而，该研究也指出了模型的局限性，包括数据集的样本量和地理来源（仅限西南地区）可能影响模型的泛化能力，以及SK模块在计算复杂度上的增加，这在资源极度有限的环境中可能需要进一步优化。

未来的研究计划包括多中心回顾性验证，以评估模型的泛化能力。研究团队计划与多家三级医院合作，收集独立的150例胎儿心率监测样本，包括10%的极端病理病例，以确保训练集和测试集之间无重叠。此外，研究团队还计划对高危人群进行专项测试，如妊娠糖尿病、子痫前期和胎儿生长受限等，以验证模型在这些群体中的适用性。同时，研究团队还将探索图像分割模型的应用，以识别CTG图中的关键特征，如加速、减速和基线波动，并结合最新的大型语言模型，以生成标准化的报告。

总之，本研究通过构建中国孕妇的双模态数据集，结合DenseNet121和SK注意力模块，开发了一种轻量级的深度学习模型，能够有效提高胎儿心率监测的准确性和临床实用性。该模型在多个关键临床指标上表现出色，如高准确率和完全召回率，同时减少了主观解读的差异性，为基层医疗环境提供了技术支持。然而，研究仍需进一步优化模型的泛化能力和计算效率，并建立标准化的信号预处理和标注规范，以促进更广泛的应用。