编辑推荐：
目前胎儿异常筛查依赖人工选择超声图像测量生物指标，存在诸多问题。研究人员开展 “从 20 周超声扫描进行胎儿生物测量的全检查 AI 估计” 研究，发现该 AI 系统能达人类测量水平，可提高测量准确性和可重复性，为临床诊断提供可靠依据。
在孕期检查中，超声成像被广泛用于筛查胎儿异常，通常在孕 18 - 22 周进行。传统的胎儿生物测量方法，是操作人员在超声图像流中选择特定视图，手动用卡尺测量胎儿的各项生物指标，如头围（HC）、股骨长（FL）等。然而，这种方法存在不少问题。一方面，手动测量存在显著的预期值偏差，不同超声医师在测量同一生物指标时，可能会因选择不同的测量平面，导致测量结果出现可重复性差异，即选择偏差。而且，手动测量的观察者间变异性也很大，不同常见生物指标的变异范围在 4.9% - 11.1% 。另一方面，目前对一些常见胎儿异常的早期检测率较低，在孕中期扫描时常常低于 50%，且存在较大的地区差异，这反映出医疗人员技能水平的显著差异。此外，现有的胎儿生物测量工作流程，大多依赖操作人员选择单个图像，未能充分利用超声每秒获取数十帧视频流的实时特性。因此，开发一种更准确、可靠且能充分利用超声数据的胎儿生物测量方法迫在眉睫。
来自伦敦国王学院（King’s College London）等机构的研究人员，开展了一项关于从 20 周超声扫描进行胎儿生物测量的全检查 AI 估计的研究。他们提出了一种实时系统，该系统能识别标准平面并估计胎儿生物指标，同时报告不确定性逐渐降低的结果。这一研究成果发表在《npj Digital Medicine》上，为胎儿异常筛查带来了新的突破。
研究人员使用了多种关键技术方法。首先，利用大量 20 周常规超声扫描记录（iFIND1 数据集）训练卷积神经网络（CNN），用于测量各项胎儿生物指标。在数据处理方面，通过自动检测扫描中的停顿和冻结，结合光学字符识别（OCR）软件提取文本标签，以此确定标准平面。为了从图像中提取生物指标，训练了基于 U - Net 的神经网络 CaliperNet 来定位卡尺位置，再通过 U - Net 分割网络预测热图以测量生物指标。此外，还设计了一种方法来估计像素大小，将测量结果从像素转换为毫米。在全扫描生物测量估计中，运用贝叶斯方法对大量测量数据进行处理，以获得最佳的生物指标估计值和可信区间。
研究结果如下：
- 单帧生物测量估计：在所有生物指标中，约 90% 的情况下能获得有效的生物测量估计值。与超声医师的测量相比，除了腹围（AC）有较小的正偏差（p<0.01）外，其他测量偏差大多无统计学意义。以超声医师的测量为参考，自动单帧测量的偏差小于 1%，均方差异（MSD）除了小脑横径（TCD）略高于 10% 外，其他均小于 5% 。
- 全扫描处理：通过对全扫描数据的处理，研究发现随着参与测量的帧数增加，整体估计变得更加稳定，对异常值的抵抗力更强，可信区间也逐渐缩小。与超声医师的手动测量相比，全扫描生物测量估计的 95% 可信区间与人类观察者间的变异性总体相似，95.1% 的机器 - 人类测量差异落在人类差异的 95% 范围内。
- 配对扫描数据：对同一受试者的配对扫描数据进行重测实验，结果表明该模型的测量结果比人类测量更具可重复性和一致性。同一受试者测量差异的标准差约为人类超声医师间标准差的一半。
研究结论和讨论部分指出，该研究提出的工作流程显著提高了生物测量估计的准确性和可重复性。虽然单帧测量时，模型的生物测量估计比人类更具变异性，但全扫描估计结果与超声医师的测量结果相符（机器 - 人类 MSD≈人类 - 人类 MSD）。该方法避免了人工选择标准平面和测量时的偏差，减少了随机误差的影响。此外，该系统还能估计生物指标的可信区间，为测量不确定性提供了定量评估。在实际应用中，该系统无需超声医师手动操作获取生物指标，有望缩短扫描时间，提高超声医师的工作效率和专注度。然而，该方法也存在一些局限性，如在异常情况下的表现需要进一步研究，模型的通用性也有待验证，而且当测量帧数过少或数据噪声过大时，可信区间可能过宽，影响临床应用。尽管如此，这项研究依然为胎儿异常筛查的临床实践带来了新的思路和方法，具有重要的意义，为未来的相关研究和临床应用奠定了坚实的基础。
