产科超声腹部标志点检测与胎儿生长状况分类：一种基于胎龄条件的多任务网络

《Abdominal Radiology》：Abdominal landmark detection and classification of fetal growth conditions on obstetric ultrasound: a gestational age-conditioned multi-task network

　　

摘要

目的

本研究提出了GA-MTNet（基于孕周条件的多任务网络），这是一种将孕周条件嵌入多任务架构的深度学习框架，能够在产前超声中同时完成腹部标志点检测和五种与胎儿生长状况相关的超声模式分类。

材料与方法

本研究通过三个机构收集了一个回顾性多中心数据集，包含2,712名孕妇（18–34周）的9,046张B型超声图像。中心A和中心B的数据（6,750张图像，2,278名患者）通过患者分层5折交叉验证用于模型开发，中心C的数据（1,296张图像，434名患者）作为外部测试集。GA-MTNet采用Swin Transformer V1骨干网络，并结合基于特征级线性调制（FiLM）的孕周嵌入模块，使图像特征能够动态适配胎儿发育阶段。三个任务头分别负责：（1）检测四个腹部标志点，（2）胎儿生长状况的五分类（胎儿生长受限、妊娠期糖尿病、子痫前期、正常生长、羊水量异常），以及（3）生物测量回归。部署后的适应性通过不确定性引导的持续学习来支持，该方法结合了蒙特卡洛Dropout、弹性权重巩固和低秩适应。可解释性通过SHAP和Grad-CAM++进行评估，由两名盲法胎儿医学专家评分。

结果

内部验证中，GA-MTNet取得了0.863的宏平均AUC、84.7%的准确率、0.821的宏平均F1值以及0.791的标志点检测mAP@0.5。外部验证中表现依然强劲（AUC 0.841，准确率82.3%，F1 0.798），AUC仅下降2.2个百分点。各分类AUC在0.803至0.921之间。消融实验确认了孕周条件调节（+3.1个百分点，p=0.003）、多任务学习（+1.0个百分点，p=0.011）和持续学习（+1.0个百分点，p=0.014）均具有显著贡献。校准效果优异（ECE=0.047），临床相关性评分为3.2/4。

结论

GA-MTNet证明了孕周条件调节能够有效提升第二和第三孕期超声模式识别与标志点检测性能，同时其持续学习机制能够支持安全实用的部署后模型优化。