基于深度学习多类分割模型的经阴道超声图像宫颈解剖标记生成技术及其在早产预测中的应用研究

为解决早产(PTB)预测中宫颈长度(TVUS-CL)测量精度不足的问题，哥伦比亚大学等机构研究人员开发了一种基于深度集成多类分割模型的AI工具，可自动提取宫颈全解剖特征。该模型在246例训练数据和29例异源测试数据中达到Dice系数~0.8的高精度，成功实现宫颈几何参数的自动化测量，为构建宫颈生物力学数字孪生模型和优化早产预测提供了关键技术支撑。

　　

在全球每年1500万早产病例的严峻背景下，早产(PTB)已成为围产期死亡的首要原因。尽管经阴道超声(TVUS)测量的宫颈长度(CL)是目前唯一的定量预测指标，但其预测价值有限。宫颈作为维持妊娠的关键结构，其三维生物力学特性与早产密切相关，但现有生物力学模型面临标注数据稀缺的瓶颈——由于妊娠影像的隐私性，公开标注数据集几乎空白，研究者只能依赖临床医生耗时的手动标注。

针对这一挑战，哥伦比亚大学等机构的研究团队在《npj Women's Health》发表了一项突破性研究。团队开发了基于深度学习的多类分割模型，通过自动标注宫颈全解剖结构（包括前/后宫颈组织、宫颈管等），为生物力学数字孪生模型提供精准的几何输入。该研究创新性地采用集成学习策略，结合SegResNet、Attention UNet等四种最优架构，在246例多中心TVUS数据训练后，于异源测试集达到Dice系数0.8以上的分割精度，宫颈长度测量与专家标注无统计学差异（p>0.05）。

关键技术方法包括：1) 使用CLEAR数据集（N=246）和IH异源数据集（N=29）；2) 采用MONAI平台构建6种分割模型（含nn-UNet、Transformer UNet等）；3) 通过Dice损失函数优化模型性能；4) 开发基于解剖标志的CL自动测量算法；5) 采用集成投票策略提升泛化能力。

【结果】
数据集概述：训练集包含来自多品牌超声设备的TVUS图像，按CLEAR评分6-9分分级，专家标注的Fleiss' kappa系数达0.87。

模型选择：SegResNet、Attention UNet等四种模型在验证集表现最优（Dice>0.8），训练时间最短（补充表3）。Transformer UNet因边界像素化被淘汰。

异源数据集测试：4单元残差UNet出现过拟合（Dice下降显著），最终集成模型在异源数据保持前/后宫颈Dice 0.80-0.85。

宫颈长度测量：算法与专家CL测量值无显著差异（Wilcoxon检验p>0.05），Bland-Altman图显示0.14 cm平均偏差，主要源于算法采用曲线测量（专家用折线）。

【讨论】
该研究首次实现宫颈全解剖的自动化分割，突破单类分割仅标注宫颈管的局限。虽然膀胱和小宫颈管的分割仍有改进空间（Dice较低），但集成模型性能已接近专家水平（专家间Dice 0.82）。研究意义在于：1) 为生物力学数字孪生提供高精度几何输入；2) 揭示除CL外的新形态学特征（如宫颈曲率）；3) 支持未来早产预测模型的开发。

局限性包括对极端宫颈漏斗形的识别不足，这与训练数据中此类样本较少（仅12%）有关。作者建议通过生成对抗网络(Cycle-GAN)合成更多异质数据以提升泛化能力。这项技术有望整合至超声设备实现实时CL测量，并为资源匮乏地区提供标准化早产筛查工具，推动个性化妊娠管理的实现。