"怀长期主义，聊医工科技"
不错过医工超人文章三部曲：1. 关注公众号 2. 经常点击“在看” 3. 点击公众号右上方设置“星标” 每篇文章都会按时推送不错过
| 今天的文章中，超哥为大家介绍一种基于深度学习的多平面（MultiPlane）模型，通过分析胎儿超声图像准确估算孕中期和孕晚期的胎龄（GA）。研究利用两个独立的数据集（INTERGROWTH-21st和INTERBIO-21st）进行模型训练和验证，图像包括胎儿头围、腹围和股骨长度的标准解剖平面。结果显示，MultiPlane模型在孕中期和孕晚期的平均绝对误差（MAE）分别为3.0天和4.3天，显著优于传统生物测量方法（如Hadlock公式）。此外，该模型对小于胎龄（SGA）和大于胎龄（LGA）胎儿的表现同样出色，误差较传统方法减少50%以上。研究表明，多平面模型克服了传统方法中对胎儿“平均大小”假设的局限，可在无尺度信息的情况下仅依靠图像特征进行胎龄估算。该技术具备实时推断和跨人群适用的潜力，尤其适合资源匮乏地区，对改善孕产妇和新生儿的健康具有重要意义。未来研究将探索其在不同超声设备及胎儿异常中的表现，并推动低成本便携设备的应用。 |
“百篇经典文献”解读乳腺诊断AI前沿与未来：AI在乳腺影像学落地与超声技术的应用
新英格兰NEJM AI | 多模态融合超声AI模型在精准眼科诊断的联合创新应用
准确率超过90%！超声医生的AI助手来实现语音控制+实时诊断，医疗效率提升数倍！
胎龄（GA）的准确估算是高质量产科护理的基础。然而，传统基于超声测量的胎龄估算方法在孕晚期的准确性较低，主要由于胎儿生长的个体差异和测量误差。尤其在资源有限的低收入和中等收入国家（LMICs），因缺乏可靠的月经史或孕早期超声检查，传统方法的适用性受到限制。本研究旨在通过机器学习方法，从超声图像中提取特征，以克服传统方法的局限，尤其在孕中期和孕晚期。
单平面胎龄估算的训练过程。基于单一超声标准解剖平面进行胎龄（GA）估算的训练过程示意图，采用一致有序回归损失（Consistent Rank Logit Loss）。HC：头围；GA：胎龄；AC：腹围；FL：股骨长度。
研究方法
研究团队开发并验证了一种基于深度学习的多平面（MultiPlane）模型，通过分析胎儿超声标准解剖平面（头围、腹围、股骨长度），实现胎龄的准确估算。模型使用了两个独立的全球数据集：INTERGROWTH-21st（训练和内部验证）和INTERBIO-21st（外部验证）。关键步骤包括：
数据预处理：去除了超声图像中的尺度信息（如标尺、文字标注）。
模型设计：使用ResNet-50网络进行特征提取，并通过一致有序回归（CORAL）优化分类和回归任务。
多平面训练：综合单平面模型的输出，实现更加鲁棒的胎龄估算。
修改后的 Bland-Altman 图显示了在 INTERGROWTH-21st 内部验证集上单平面模型的性能。这些图展示了胎龄（GA）估算模型在 INTERGROWTH-21st 数据集上的表现。单标准平面模型数据点中可见的条纹是训练过程中使用 CORAL 分箱过程的结果，该过程在最终的多平面（MultiPlane）回归损失中被移除。由于每幅图中数据点数量的变化，每个散点的透明度进行了归一化，以使整体外观保持一致。HCP：头围平面；GA：胎龄；CORAL：一致有序回归逻辑；GT：真实值；SD：标准差；ACP：腹围平面；FLP：股骨长度平面。
主要发现
高准确性：MultiPlane模型在孕中期和孕晚期的胎龄估算平均绝对误差（MAE）分别为3.0天和4.3天，优于传统的生物测量方法（如Hadlock公式）。
对特殊胎儿的适用性：在小于胎龄（SGA）和大于胎龄（LGA）胎儿中，MultiPlane模型同样表现出较高的准确性，相较传统方法误差更小。
模型泛化性：尽管外部验证数据集中的母婴风险较高，模型在这些人群中的表现与内部测试集相当。
图像质量对模型表现的影响：研究指出，标准解剖平面的获取对于模型的准确性至关重要，但在实际应用中可通过自动平面检测技术解决这一问题。
在 INTERGROWTH-21st 内部验证集上的单平面和多平面性能表现。综合图展示了单一标准平面模型与多平面（MultiPlane）模型在 INTERGROWTH-21st 测试集上的散点图表现，并附带柱状图显示了不同平面在各个胎龄阶段的分布情况。HCP：头围平面；ACP：腹围平面；FLP：股骨长度平面。
潜在意义与应用
本研究首次验证了基于超声图像特征的机器学习模型能够显著提高孕晚期胎龄估算的准确性，尤其适用于资源有限的地区。这一技术有望帮助改进孕产妇和新生儿的健康管理，降低围产期死亡率。
多平面模型胎龄估算的训练过程。基于多个超声标准解剖平面进行胎龄（GA）估算的训练过程示意图。预训练模型基于采用一致有序回归损失（Consistent Rank Logit Loss）训练的单平面图像。最终的多平面模型通过 L1 损失进行训练。HC：头围；AC：腹围；FL：股骨长度；GA：胎龄。
局限与未来展望
由于数据均来自统一的超声设备，模型在不同设备上的适用性仍需进一步验证。
对胎儿异常（如软骨发育不全）的估算表现仍需深入研究。
未来研究可探索将该方法集成到低成本便携设备中，以实现实时推断。
参考文献
Lee, Lok Hin, Elizabeth Bradburn, Rachel Craik, Mohammad Yaqub, Shane A. Norris, Leila Cheikh Ismail, Eric O. Ohuma et al. "Machine learning for accurate estimation of fetal gestational age based on ultrasound images." NPJ digital medicine 6, no. 1 (2023): 36.
"怀长期主义，聊医工科技"
我是超哥，超声行业17年老伙计，做过研发，搞过生产，趟过市场，开过（在开）公司；越野跑爱好者；工作狂；沟通粗暴直接；严苛完美主义者；起伏皆为过往；信奉长期主义和第一性原则；欢迎来聊来组局...
*免责声明*
本公众号注明原创的内容权利属于本服务或本服务权利人所有，未经本服务或本服务权利人授权，任何人不得擅自使用（包括但不限于复制、传播、展示、镜像、上载、下载、转载、摘编等）或许可他人使用上述知识产权的。已经本服务或本服务权利人授权使用作品的，应在授权范围内使用，并注明作者来源。否则，将依法追究其法律责任。
