编辑推荐：
研究人员为解决胎心监护（CTG）解读难题，开展深度学习模型研究，发现客观 pH 指标更佳，意义重大。
在妇产科领域，胎心监护（CTG）是一种常用的监测胎儿健康状况的技术，它通过记录胎儿心率（FHR）和孕妇子宫收缩（UC）情况，来判断胎儿在母体内是否安好。然而，目前 CTG 的解读主要依赖医护人员的视觉判断，这存在着诸多问题。不同的医护人员对同一份 CTG 结果可能有不同的解读，即存在观察者间差异；甚至同一医护人员在不同时间解读同一份结果，也可能出现不同判断，也就是观察者内差异。这些差异导致 CTG 的假阳性率较高，使得剖宫产和手术阴道分娩率上升，却未能有效改善新生儿结局。在一些医疗资源有限、缺乏专业 CTG 解读人员的地方，情况更是雪上加霜。因此，如何更准确、客观地解读 CTG，成为亟待解决的问题。
为了攻克这一难题，来自斯坦福大学、谷歌研究等机构的研究人员 Nicole Chiou、Nichole Young-Lin 等开展了一项关于利用深度学习模型解读 CTG 的研究，相关成果发表在《npj Women's Health》上。
研究人员在这项研究中主要运用了以下几种关键技术方法：
- 使用公开数据集：采用来自捷克布尔诺大学医院的 CTU-UHB 公开数据集，包含 552 名患者的 CTG 记录，以及胎儿和孕妇的元数据11。
- 数据预处理：对原始 CTG 数据进行一系列处理，如去除首尾重复的缺失值，标记并处理不同时长的缺失信号，进行信号平滑、数据增强和过采样，以解决数据不平衡问题，还将数据裁剪为 30 分钟片段并下采样至 1Hz1213。
- 构建模型：以 CTG-net 神经网络模型为基础进行调整，分别使用 FHR、UC 或两者结合作为输入，还尝试添加元数据特征，同时运用基于规则的 XGBoost 分类器进行对比14。
- 模型评估：利用受试者工作特征曲线下面积（AUROC）和固定特异性阈值为 90% 时的灵敏度来评估模型性能，并通过统计检验比较不同模型和方法的差异15。
下面来看具体的研究结果：
- 评估模型性能（按预测任务）：研究人员对比了使用脐动脉血 pH 值、Apgar 评分以及两者异常标准的逻辑 “或”（LOR）作为真实标签训练模型的性能。结果显示，预测 LOR 的基线方法在 CTU-UHB 开源数据集上的 AUROC 为 0.68 ± 0.07 ，比之前研究中采用下采样预处理和默认卷积神经网络（CNN）架构的性能更高。在 Apgar 预测任务中，基于特征的方法 AUROC（0.35 ± 0.10 ）显著低于 CNN 基线（0.69 ± 0.12 ）；在 pH 分类任务中，两者差异不显著12。
- 评估模型性能（按输入信号类型）：对比仅使用 FHR、仅使用 UC 以及同时使用 FHR 和 UC 作为输入的深度学习模型性能，发现 FHR + UC 模型在 pH 和 Apgar 分类任务中均取得最高的 AUROC 性能，若排除其中任何一个通道，两个任务在 90% 特异性下的灵敏度均显著降低34。
- 添加母婴元数据后的性能：添加母婴元数据向量到 FHR + UC 模型输入后，pH 预测任务的性能提升了 0.07 个点，达到 0.69 ± 0.08 ，但提升不显著；而对于 Apgar 预测任务，AUROC 却出现了非显著性下降（0.57 ± 0.11 ）。进一步的消融研究表明，不同元数据对模型性能影响各异，如羊水胎粪的存在会显著降低 pH 预测模型的 AUROC，而添加孕妇年龄、子痫前期状态等虽有积极贡献，但效果不显著56。
- 训练和测试期间的时间分布变化评估：在不同时间点训练模型并在最后 30 分钟测试，发现 pH 和 Apgar 预测任务的 AUROC 没有显著差异，但 Apgar 预测性能的变异性更大。对于 pH 预测任务，在最后 30 分钟之前的信号上进行预训练，然后在最后 30 分钟微调，能获得最高的 AUROC（0.69 ± 0.09 ）；在模拟间歇性 CTG 评估的设置中，pH 分类任务在不同时间点测试时性能保持稳定，而 Apgar 预测性能变异性高，对时间分布变化的稳健性较差78。
- 亚组评估：研究人员评估了不同亚组的性能指标，发现 pH 评估中，UC 信号缺失程度不同的亚组间基线 AUROC 存在显著差异；Apgar 预测中，FHR 缺失亚组间也有显著差异。添加元数据后，pH 预测的性能差异有所缓解，但在该任务上，元数据增加了人口统计学和临床相关亚组的 AUROC 性能差异，不过这些差异都不具有统计学意义910。
综合来看，该研究表明深度学习模型在预测胎儿缺氧方面具有可行性，且使用客观的脐动脉血 pH 测量值作为训练标签，比主观的临床医生评定的 Apgar 评分能使模型表现更一致、更稳健，尤其在面对时间分布变化时优势明显。这一发现对于在仅有间歇性 CTG 测量的环境中应用模型具有重要意义。同时，研究还发现训练模型时使用与分娩结果最相关的最后 30 分钟 CTG 记录，或先在其他时间段预训练再在最后 30 分钟微调，能提升模型性能。不过，研究也存在一定局限性，如数据集来自单一医院，样本量有限，缺乏与临床医生直接对比算法性能，以及未明确如何将预测算法最佳地整合到临床工作流程中等。未来研究需要更大、更多样化的数据集，以及进一步探索算法与临床工作的融合方式，以切实改善新生儿结局。
