FetAS：基于AI的胎儿MRI自动分析云平台——提升产前诊断效率与可及性

《Scientific Reports》：Fetal Assessment Suite (FetAS): a web-based platform for automatic fetal MRI analysis using AI

本研究针对胎儿MRI分析高度依赖专科医生、流程繁琐耗时的问题，开发了基于人工智能的云端分析平台FetAS。该平台集成伪影检测、运动校正、多器官分割（胎儿躯体、羊水、胎盘）及胎位胎盘位置分类等功能，通过自动化分析减少人工干预，提升诊断效率。平台采用网页交互设计，支持多中心协作，有望缓解专科资源分布不均的现状，推动胎儿MRI的标准化应用。

　　

在产前诊断领域，超声检查是胎儿解剖结构评估的首选方法，但当超声结果存疑或需要进一步明确异常时，胎儿磁共振成像（MRI）凭借其卓越的软组织对比度和高分辨率三维成像能力，成为重要的补充手段。研究表明，MRI可为高达23%的胎儿异常病例提供额外的诊断信息。然而，胎儿MRI的解读却是一项高度专业化、耗时费力的工作，不仅需要放射科医生具备亚专科知识，其手动分割、分类和质量控制过程也极为繁琐。更重要的是，这种对稀缺专业知识的依赖，限制了胎儿MRI在缺乏专科医生地区（如偏远或农村地区）的可及性，可能导致诊断延迟，影响临床决策的及时性。

传统的解决方案往往专注于开发针对单一任务（如特定器官分割或运动校正）的孤立算法，缺乏一个整合的、用户友好的平台，难以融入实际的临床工作流。为了弥合这一鸿沟，由Dafna Sussman博士领导的研究团队在《Scientific Reports》上发表了他们的研究成果，推出了名为“胎儿评估套件”（Fetal Assessment Suite, FetAS）的创新网络平台。FetAS旨在通过人工智能（AI）技术，将胎儿MRI分析的关键步骤自动化，整合到一个安全、易用的云端环境中，从而简化工作流程，降低解读的认知和时间负担，并促进不同医疗环境下高质量产前护理的普及。

关键技术方法概述

本研究构建的FetAS平台采用基于亚马逊云服务（AWS）的现代网络架构，前端使用Vite React和Tailwind CSS，后端基于Node.js和Express.js，确保响应速度和安全性。平台处理的数据为来自病童医院（The Hospital for Sick Children）的回顾性胎儿MRI数据集（2000-2024年，胎龄20-37周），主要为HASTE和SSFP序列。核心AI模型包括：基于卷积神经网络（CNN）的伪影检测与严重程度分级模型、基于生成对抗网络（GAN）的运动伪影校正模型、基于3D UNet的胎儿躯体/羊水/胎盘多标签分割模型，以及基于CNN的胎儿体位（顶点、臀位、横位）和胎盘前置分类模型。

研究结果

1. 平台界面与工作流程演示

FetAS提供了完整的端到端工作流程。用户通过安全登录后，可在主页仪表盘管理数据集和处理任务。上传DICOM格式的MRI数据后，平台会引导用户完成序列选择，并可选择性地运行伪影检测和运动校正等预处理步骤。

随后，用户可在“处理”页面选择不同的分析流程，如羊水分析、胎盘分析、胎儿躯体分析、多器官（多区域）分析以及相对测量。每个流程包含若干子过程（或称“操作”），例如，分割是生物计量评估的基础。平台采用队列系统管理处理请求，并清晰显示处理状态。处理完成后，结果可在“查看处理”页面进行可视化。

2. 处理结果可视化

• •
  伪影检测与运动校正：伪影检测模块能识别运动、化学位移和射频伪影，并按无、轻度、中度、重度四个等级评估严重程度，结果以饼图形式直观展示。

对于存在严重运动伪影的图像，运动校正模块可对其进行修复，用户可并排对比原始图像与校正后的图像，并选择接受、丢弃或重新生成结果。

• •
  分割输出：分割子过程是FetAS的核心。平台提供2D和3D分割模型。对于多器官分割，采用的3D模型在数据量充足时表现更优。分割结果（胎儿躯体、羊水、胎盘）可以叠加在原DICOM图像上进行滚动浏览，并支持生成3D渲染图，便于体积计算和形态评估。

• •
  分类输出：分类子过程目前包括胎儿体位分类和胎盘前置分类。胎儿体位分类通过在整个3D图像阵列上进行多数投票来确定胎儿为头位（顶点）、臀位还是横位。

胎盘前置分类则采用两个串联的CNN模型，先识别包含胎盘的图像切片，再判断是否存在胎盘前置。

3. 处理性能

平台性能测试表明，在配备NVIDIA T4 GPU的亚马逊EC2实例上，对于典型大小的胎儿MRI数据集（约52.3 MB），伪影检测、运动校正和多器官分割等主要任务的平均处理时间均在21-23秒左右，数据上传时间取决于网络状况。CPU和内存使用率随数据集增大而略有增加，GPU内存使用则因模型输入尺寸固定而保持稳定。队列系统的设计确保了平台在处理多用户并发请求时的稳健性。

研究结论与意义

FetAS的成功开发，为将胎儿MRI分析方法转化为常规临床和研究工作流提供了强有力的解决方案。该平台通过集成自动化伪影检测、运动校正、解剖结构分割和位置分类等一系列功能，在一个安全、易用的网络界面中实现了胎儿MRI分析的标准化和流水线化。这不仅显著减少了人工操作时间和专业依赖，提高了诊断效率，还有助于缩短报告时间，支持及时的临床决策。

其重要意义体现在多个层面：在临床层面，FetAS能够作为辅助诊断工具，特别是在缺乏胎儿放射学专家的地区，促进高质量胎儿MRI诊断的公平可及，同时也可在拥有成熟放射科的中心作为有效的分诊工具。在研究层面，平台提供的标准化分析管道有利于大规模、多中心研究的数据共享和队列建设，为发现新的影像学生物标志物和开发更先进的AI工具奠定了基础。此外，其模块化设计便于未来集成新功能（如3D可视化、多模态数据融合），并可用于临床医生和实习生的培训教学。

当然，该平台目前也存在一些局限性，例如其性能受限于云资源（尤其对于超高分辨率数据集），与医院数据库系统的直接集成尚未实现，且其临床有效性和工作流影响正在通过一项多中心临床研究（CTO#4861）进行正式评估。未来的工作将集中于扩展平台对不同扫描设备和序列的泛化能力，并推动其最终在临床环境中的实施。总之，FetAS代表了一项重要的技术进步，它有望通过AI和云计算的力量，重塑胎儿MRI的分析模式，最终为改善全球孕产妇和胎儿健康结局做出贡献。