基于深度学习的孕早期胎儿颈项透明层超声图像智能质量评估模型研究

本研究针对孕早期胎儿颈项透明层(NT)超声测量中标准切面获取困难、人工评估效率低下的临床痛点，创新性地构建了融合放射组学与深度迁移学习(DTL)的特征融合模型。研究人员通过2140例孕11-14周胎儿面部正中矢状面超声图像，开发出DSC达98.07%的DeepLabV3 ResNet自动分割模型，并建立AUC达0.978的智能质量评估系统，显著提升初级医师诊断准确率至97.1%。该成果为胎儿异常筛查提供了可靠的AI质控工具，发表于《BMC Pregnancy and Childbirth》。

　　

在产前筛查领域，胎儿颈项透明层(NT)厚度的精准测量犹如一把"黄金标尺"，其数值异常与染色体缺陷、结构畸形密切相关。然而这把标尺的准确性高度依赖超声图像质量——国际妇产超声学会(ISUOG)严格规定NT测量必须获取包含特定解剖结构的标准切面。现实中，胎儿体位多变、操作者经验差异导致30%-50%的检查难以达标，而传统人工质控又面临效率低下、主观性强等瓶颈。

针对这一临床困境，深圳大学华南医院超声医学科联合深圳大学总医院的研究团队在《BMC Pregnancy and Childbirth》发表创新成果。研究人员收集1712例训练集和428例测试集的孕11-14周胎儿面部正中矢状面超声图像，通过多模态AI技术构建了智能质量评估系统。研究采用DeepLabV3 ResNet实现ROI自动分割（耗时仅3.5秒/例），继而提取107个放射组学特征和16,383维深度特征，最终通过早期融合策略集成CNN与ViT模型优势。

关键技术路线包含：1）基于250例手动标注数据训练分割模型；2）采用LASSO回归筛选特征；3）构建放射组学、DTL及融合模型对比性能；4）应用SHAP方法实现模型可解释性。测试集结果显示，特征融合模型的AUC达0.978，显著优于初级医师水平（0.921），辅助医师后其准确率提升至97.1%。

图像分割模型性能
DeepLabV3 ResNet以DSC 98.07±0.02%和HD₉₅ 0.75±0.15 mm的优异表现成为最佳分割器，较人工标注效率提升75.2%。

特征选择与模型构建
通过LASSO回归从107个放射组学特征和33类DTL特征中筛选关键变量，VGG19_bn模型的MLP算法表现最佳（测试集AUC 0.977）。

融合模型优势
特征融合模型整合放射组学、CNN和ViT特征，其SHAP分析显示DTL特征贡献度最高（93.5%准确率）。

这项研究开创性地解决了NT超声质控的两大难题：首次实现ROI的精准自动分割（DSC>98%），并建立多模态融合的智能评估体系。临床价值体现在：1）较人工评估效率提升20倍；2）使初级医师诊断水平逼近资深专家；3）SHAP可视化增强了模型可信度。尽管存在回顾性研究的局限性，但该成果为产前超声标准化提供了新范式，未来可通过多中心前瞻性研究进一步验证泛化能力。