基于深度学习的产时胎心监护跨数据库评估：信号处理策略与模型泛化性突破

《IEEE Journal of Translational Engineering in Health and Medicine》：Cross-Database Evaluation of Deep Learning Methods for Intrapartum Cardiotocography Classification

本研究针对产时胎心监护（CTG）视觉判读敏感性低、算法泛化性差等问题，通过跨数据库（MHW-pH和CTU-UHB）系统评估六种深度学习模型。结果表明：仅使用预处理后的胎心率（FHR）信号、1Hz降采样及排除中间pH样本的ResNet模型表现最优（GM AUC 0.73），且类激活图（CAM）显示其决策区域与临床缺氧相关减速模式一致。该研究为标准化CTG分析流程建立提供了关键依据，推动胎儿窘迫自动检测向临床转化。

　　

在全球范围内，产时胎心监护（Cardiotocography, CTG）已成为监测胎儿健康状况的常规手段，通过同步记录胎心率（Fetal Heart Rate, FHR）和子宫收缩（Uterine Contractions, UC）信号，帮助临床医生识别胎儿缺氧风险。然而，视觉判读CTG波形存在显著的主观差异性，且敏感度低（仅31%-48%）、假阳性率高，导致不必要的剖宫产率上升。尽管近年来深度学习技术为自动化胎儿窘迫（fetal compromise）检测带来希望，但其发展受限于训练数据规模小、评估流程不统一等挑战。例如，现有研究在输入特征选择（是否联合UC）、信号预处理、降采样频率等关键环节缺乏系统对比，难以公平比较算法性能。

为解决上述问题，墨尔本大学研究团队在《IEEE Journal of Translational Engineering in Health and Medicine》发表论文，首次对六种主流深度学习模型进行跨数据库评估。研究利用私有MHW-pH数据集（9,887条记录）和公开CTU-UHB数据集（552条记录），以脐动脉血pH<7.05作为胎儿窘迫标准，系统分析了输入特征、预处理策略、训练数据筛选及降采样频率对模型性能的影响。

关键技术方法包括：从CTG记录中提取最后60分钟信号；对比FHR单独输入与FHR+UC组合；应用伪影剔除（剔除FHR>200 bpm或<50 bpm及相邻值差>25 bpm的异常点）与线性插补（缺失段<15秒）；考察排除中间pH样本（7.05≤pH<7.15）的影响；测试0.25Hz至4Hz降采样频率；采用加权交叉熵损失函数解决类别不平衡问题；通过类激活图（Class Activation Map, CAM）可视化模型决策依据。

输入特征选择：FHR优于FHR+UC

研究发现，仅使用FHR信号的模型在几何平均AUC（GM AUC）上显著优于联合UC的模型（如ResNet的GM AUC从0.67提升至0.71）。

这可能因外部宫缩探头信号质量不稳定所致，提示在UC可靠性不足时，单独分析FHR更具优势。

预处理策略：伪影剔除与插补提升性能

与原始FHR相比，经伪影剔除和插补处理的信号使ResNet的GM AUC从0.71升至0.73。

该步骤有效消除因信号丢失或运动伪影引入的噪声，提升模型鲁棒性。

中间pH样本排除对性能影响不显著

在训练集中排除中间pH样本后，部分模型（如CNN、LSTM）性能略有提升，但ResNet和FCN无变化，且差异均无统计学意义。

表明中间样本对模型训练的干扰有限。

降采样频率：1Hz为最佳平衡点

当降采样频率从4Hz降至1Hz时，B-CNN、FCN、LSTM-FCN和ResNet的GM AUC保持稳定或微升，且推理时间显著缩短；进一步降至0.25Hz则性能下降。

ResNet在1Hz时GM AUC达0.73，为效率与精度的最优折衷。

模型泛化性：ResNet表现最优

在跨数据库测试中，ResNet在CTU-UHB和MHW-pH数据集上分别取得AUC 0.81和0.65，GM AUC显著高于其他模型。

其全局平均池化层和残差连接结构有效缓解过拟合，增强泛化能力。

模型可解释性：CAM对齐临床知识

通过CAM可视化，ResNet对胎儿窘迫的决策高度聚焦于延长减速（>5分钟）和晚期减速（U形），而可变减速区域激活强度较低。

这与FIGO指南中缺氧相关减速模式一致，增强了模型决策的临床可信度。

研究结论表明，标准化工作流（仅使用预处理后FHR、1Hz降采样、排除中间样本）可显著提升深度学习模型性能。ResNet凭借优异的泛化性和可解释性，为胎儿窘迫自动检测提供了可靠工具。未来需在更多样化人群中验证模型鲁棒性，并探索UC信号在高质量采集条件下的辅助价值。该研究为CTG分析算法的临床转化奠定了方法论基础，有望降低产科决策的不确定性。