基于经会阴超声的女性盆腔器官脱垂自动评估：多任务深度学习模型的开发与验证

来自国内的研究人员针对经会阴超声(TPUS)评估女性盆腔器官脱垂(POP)时存在诊断差异的问题，开发了基于ResNet34的多任务深度学习模型。该模型通过1072张TPUS图像训练，可同步预测膀胱膨出(cystocele)、子宫脱垂(uterine prolapse)、直肠膨出(rectocele)及会阴体过度活动(EMoPB)，准确率达0.799-0.978，AUC值达0.892-0.947。Grad-CAM热图证实其关注区域与专家判断一致，为POP自动化诊断提供了新工具。

　　

在女性健康领域，经会阴超声(Transperineal Ultrasound, TPUS)已成为评估盆腔器官脱垂(Pelvic Organ Prolapse, POP)的常规手段，但诊断结果高度依赖医师经验。这项研究构建了一个酷炫的多任务"AI读片专家"——以ResNet34作为特征提取核心，搭配四条并行全连接层，能同时捕捉膀胱膨出(cystocele)、子宫脱垂、直肠膨出(rectocele)和会阴体过度活动(Excessive Mobility of Perineal Body, EMoPB)的蛛丝马迹。

研究团队让两位资深医师对1340例2023年上半年的TPUS图像进行标注，经过数据清洗后，1072张图像成为模型的"训练题库"。这个智能系统表现抢眼：对直肠膨出的识别准确率高达97.8%（95%CI 0.952-0.990），连最难判断的子宫脱垂也能达到79.9%的准确率。更妙的是，通过梯度加权类激活映射(Gradient-weighted Class Activation Mapping, Grad-CAM)技术，研究人员发现AI关注的图像区域与人类专家的诊断焦点高度吻合，就像具备"专业直觉"般精准。

这项突破意味着，未来基层医院的超声设备或许能实时输出POP的智能诊断报告，让更多女性获得标准化、可量化的盆腔健康评估。那些藏在超声图像里的"下沉信号"，终于有了自动解码的新方案。