人工智能在产科超声中的应用进展

陈彬，严雨霖，杜海雯，黄丽莉，陈颖，应涛

(上海交通大学附属第六人民医院超声科 上海市超声医学研究所，上海 200233)

超声凭借其无辐射、廉价、便捷等优势成为目前产科检查中应用最广泛的影像学检查手段，可检测整个妊娠周期母体变化和胎儿生长发育情况。一方面，超声可在孕早期筛查出异常妊娠，以便临床及时治疗；另一方面，通过观察胎儿的生长发育，筛查先天畸形，并对胎儿的发育进行评估，以为产妇分娩提供恰当的临床决策，从而使产妇和胎儿获得最佳的产前准备和妊娠结局[1]。然而，当前产科超声的实际运用仍存在一些问题，如需要测量的评价参数众多、医师工作量大、检查时间长、经验依赖性强、测量评估的重复性差，因此需要进一步优化产科超声检查，以提高诊查效率[2]。

人工智能指通过模仿人类智能特征的计算机算法来解决问题或学习，其在识别、测算等特定领域具有比人类更快速、更准确的完成任务的潜力[3]。近年来，随着数学算法研究的不断深入、大数据时代的来临及5G技术的成熟与普及，机器能处理的数据量不断提高，数据处理效率及传输速度剧增，人工智能领域飞速发展，其在医学图像识别与处理领域的优势也不断显现，并逐步运用于产科超声[4]。通过构建机器学习的各类模型，训练计算机“学习”图像中的各种特征，从而实现胎儿结构智能识别、参数自动测量以及生长发育智能辅助评估等功能[5-7]。现就人工智能在产科超声中的应用进展予以综述。

1 人工智能在产科超声结构识别中的应用

图像采集是产科超声评估的基础，采集的切面是否标准将会影响后续的判断，但获取最佳的评估切面往往依赖于超声医师的经验，而一些新手医师明确标准切面则需要很长时间，且易直接在不具备测量或评估条件的超声图像上进行测量，导致测量误差或造成不同程度的漏诊。为此，研究者试图构建各种自动识别模型，以智能定位符合诊断标准的结构或切面，实现图像采集的标准化与便捷化。

1.1胎儿头部结构切面的自动识别 标准的胎儿颅脑评估切面是胎儿头部参数准确测量及颅脑发育评估的重要前提，智能识别胎儿头部及其内部结构有利于实现标准化的图像采集。近年来，随着人工智能技术的不断发展，多种深度学习算法被用于胎儿头部标准切面的自动分割，且准确性和一致性均较好[8]。Yaqub等[9]通过联合多种深度学习算法逐步实现了大脑的准确定位、包含感兴趣结构区域的检测、感兴趣区域内标准切面的验证，并能够智能识别95%以上的胎儿颅脑评估切面。除智能识别头部标准切面外，Yang等[10]通过联合基于编码器-解码器的分割任务器及混合注意力机制，实现了对整个胎头三维图像的自动分割，不仅提高了运算性能，还增强了对于边界的分割，其胎头图像分割准确度可达96%以上。

1.2胎儿面部结构切面的自动识别 超声医师主要通过眼轴平面、正中矢状平面和鼻唇沟冠状平面等胎儿面部标准切面观察胎儿面部轮廓，并筛查唇腭裂等各种胎儿面部发育畸形[11]。然而，胎儿面部超声检查受其体位的影响较大，且其面部常被手、脚等遮挡，给超声检查带来一定的困难，故胎儿面部标准切面的获取对检查医师的经验依赖性较强。近年来，胎儿面部切面智能识别模型的开发有望解决上述问题。其中，一部分研究基于胎儿面部形态特征进行模型构建，Lei等[12]通过底层特征和多层费希尔向量特征编码来构建完整的图像特征，再联合支持向量机分类器完成标准胎儿面部平面的准确定位。随后，余镇等[13]凭借深度卷积神经网络架构强大的特征识别功能，结合迁移学习策略及数据增强技术，进一步提高了识别性能，对胎儿面部的识别率可达95%。另一部分研究则主要基于胎儿面部图像的纹理特征实现模型的构建，Wang等[14]提出了一种用于胎儿面部标准切面的自动识别和分类的纹理特征融合方法，通过提取图像的纹理特征并采用支持向量机分类器进行预测分类，在保证胎儿面部标准切面自动识别准确率的同时，解决了以往卷积神经网络模型训练困难、过程复杂、运算速度慢等问题。

1.3胎儿腹部结构切面的自动识别 胎儿腹部标准切面的自动识别是进一步实现腹围自动测量的基础，然而胎儿腹部标准切面涉及结构较多且腹围边缘对比度偏低，增加了腹部切面智能识别模型构建的难度[15]。针对腹部轮廓提取的困难，早期研究结合基于边缘、区域、形状模型和变形模型4种图像分割技术对腹部切面进行识别[16]。针对大样本量腹部智能识别模型的需求，Chen等[17]通过构建域转移深度卷积神经网络实现胎儿腹部标准切面的智能识别，并提出了一种迁移学习策略，从而减少训练样本量小导致的过拟合。近年来，腹部标准切面智能识别模型常通过联合多个卷积神经网络模型构建而成，通过不同的卷积神经网络分别实现腹部标准平面所在范围的检测、胎儿腹部标准切面关键结构(胃泡、脐静脉、胆囊等)的检测、脊柱位置和骨骼区域的检测、所得切面的验证等，通过结合多种卷积神经网络，进一步优化智能软件的性能，提高胎儿腹部标准切面识别的准确性，结果显示，与人工操作获得的结果基本相同[18-19]。

1.4胎儿心脏结构切面的自动识别 人工智能对于胎儿心脏结构或标准切面的智能识别是辅助诊断先天性心脏病等胎儿心脏异常的前提，早期心脏结构的智能识别研究主要针对成人心脏，成人心脏的扫查部位相对固定，而胎儿心脏扫查位置可随胎儿体位而改变，因此成人心脏智能模型并不适于胎儿心脏的智能识别[20]。随着人工智能技术的不断发展，尤其是深度学习的出现，研究者构建出多种针对胎儿心脏的智能识别模型。在二维超声心动图中，编码器-解码器卷积神经网络架构对胎儿心脏图像进行自动分割的效果与专家的判断结果接近，在保证高度准确分割结果的同时还具有很高的鲁棒性[21]。Dong等[22]结合了两个分类网络和一个检测网络开发了一种基于卷积神经网络的三步深度学习框架，分别用于执行粗略分类、分类细化和解剖检测的流程，与其他先进的检测网络相比，该模型对胎儿超声心脏四腔心切面中的多个解剖结构具有强大的实时检测能力，能够实现实时切面智能质量控制。随着四维超声检查在胎儿心脏监测中的应用，针对胎儿四维超声检查数据的“智能导航”技术应运而生，其通过自动识别胎位、心轴等实现四维模式下胎儿心脏结构的自动切割、9个标准胎儿超声心动图切面的显示、心脏评估参数的自动测量等，从而简化四维模式下胎儿心脏检查流程[23]。

2 人工智能在产科超声参数测量中的应用

胎儿生物特征参数(双顶径、头围、腹围、股骨长度等)的准确测量对于估计胎儿体重、胎龄以及检测胎儿生长发育异常至关重要，胎儿生物特征参数的传统手动测量非常耗时，并且测量结果的重复性较差。人工智能技术在智能识别胎儿结构的基础上，通过结合智能测量算法，实现胎儿生物特征参数的自动测量，以进一步优化产科超声工作流程。早期开发的用于自动测算胎儿生物特征参数的“半自动”模型虽然准确性和一致性较好，但往往需要操作者对目标参数范围进行初始标记，且模型设计较为冗杂、计算效率较低、对于计算机配置有一定需求[24]。随着机器学习的迭代，“全自动”测量模型的构建进一步提升了用户的操作体验，这种模型不需要操作者定位目标范围，且运算效率也有所提高[25]。

随着深度学习的发展，智能模型得到优化。一方面，通过融合多个架构提高智能模型自动检测与测量的性能，如Li等[26]通过随机森林分类器、相位对称以及快速椭圆拟合分别实现胎头的自动定位、检测及测量；而van den Heuvel等[27]联合两个卷积神经网络分别实现连续扫描记录中胎头的智能识别及胎头参数的自动测量。在腹围的智能测量中，Jang等[15]分别使用卷积神经网络及霍夫变换实现胃泡、羊水和脐静脉的特征识别及腹围的自动测算。融合多个架构构建的智能模型在提升模型自动测算能力的基础上，优化了模型自身结构，从而实现了提升运算速度、降低硬件需求等目标。另一方面，一些基于深度学习的智能模型还可自动测量多个参数，通过构建多功能神经网络架构实现多器官的自动识别及测量[28]。此外，在实现多器官自动识别及测量的基础上，Ghelich Oghli等[29]采用一种新颖且有效的卷积网络架构(多特征金字塔Unet)进行自动检测并聚焦于感兴趣区域或对象，降低周边噪声并去除周围非感兴趣区域结构，进一步提高模型的灵敏度和准确度。

产科超声参数的智能测量有较好的临床转化性，近年许多产科超声仪器在开发时配置了智能测量的模型，并已在临床试验或临床工作中应用。临床试验表明，目前已投入使用的人工智能软件(Smartplanes、EpiQ等)在生物特征参数的自动测量上具有较好的可行性与可重复性，且智能软件所获得的测量值与经验丰富超声医师的判断结果的一致性较好，而人工智能辅助下的扫描能够平均节省34.7%的时间，大大提升了工作效率[4,30-31]。

3 人工智能在胎儿生长发育评估中的应用

人工智能技术在产科超声中的应用不断深入，在实现胎儿结构、标准切面智能识别及胎儿生物特征参数智能测算的基础上，进一步对胎儿生长发育的智能评估进行探索。胎儿生长发育的智能评估提示胎儿发育异常，有助于减少医师经验等原因导致的诊断误差，提高产科超声检查结果的准确性[7]。

3.1人工智能在胎肺成熟度评估中的应用 胎肺发育不良可能导致新生儿呼吸窘迫综合征等呼吸系统发育疾病的发生，因此产前评估胎肺成熟度有利于尽早筛查出胎肺成熟度异常并进行临床干预。超声胎肺成熟度评估具有非侵入性、无辐射等优势，近年逐渐受到重视，胎肺成熟度的超声评价一般通过比较胎肺与肝脏、肠道和胎盘的超声回声进行判断[32]。但人眼分辨对比度差异的重复性较差，且对操作者经验的要求较高。纹理特征分析被认为是定量分析胎肺成熟度的有效方法，其不基于图像的直接灰度级，而是通过算法估计胎肺的纹理特征，在保证诊断准确性的同时，还可保持较好的重复性。早期基于纹理特征识别软件分析评估胎肺成熟度的灵敏度、特异度和准确度分别可达95.1%、85.7%和90.3%[33-34]。Xia等[35]基于深度学习算法建立的正常胎肺、胎龄分级模型可以准确识别不同胎龄、不同母体条件下胎肺的超声图像，与传统的纹理分析算法相比，深度学习算法的鲁棒性更高、处理速度更快，且可自动处理图像。

3.2人工智能在胎心发育异常辅助诊断中的应用 人工智能算法对胎儿心脏的准确识别和分割，可辅助评估胎儿心脏功能并智能检测先天性心脏病。Yu等[36]提出的反向传播神经网络模型可通过二维超声心动图自动测算胎儿左心室容积，并计算出左心功能参数，从而辅助评估胎儿左心室射血功能。在智能辅助诊断先天性心脏病方面，胎儿智能导航超声心动图可在具有时空相关性的三维、四维超声数据中自动生成并显示9个标准胎儿超声心动图，该系统可明显简化胎儿心脏的检查步骤并降低超声检查对操作者经验的依赖，有助于辅助诊断心脏结构的解剖异常，筛查法洛四联症、D型大动脉转位等先天性心脏病[37-38]。Arnaout等[39]基于大数据训练的卷积神经网络模型同样可识别指南推荐的胎儿心脏评价的5个标准切面，并分割和测量心脏结构，其评价先天性心脏病的灵敏度(95%)和特异度(96%)均较高。

3.3人工智能在胎脑发育异常辅助诊断中的应用 胎脑发育异常也是产科常见的先天畸形，可能导致神经发育迟缓和智力低下等，产前筛查胎脑发育异常至关重要[40]。Xie等[41]开发出一种针对脑室扩大、脑积水等常见胎脑异常的计算机辅助诊断算法，通过U-net网络对颅脑区域进行分割，再通过深度卷积网络的特征提取能力对切面进行分类，从而应用于辅助诊断，有望减少胎脑发育异常筛查的假阴性。在另一项大样本量的临床试验中，智能软件对胎儿脑部自动分割的精度达到98%，区分异常脑部发育的准确度达到96%，病灶定位准确度达到62%，其单幅图像的平均分析时间仅1.08 s，可能有助于提高临床诊查效率[42]。

4 小 结

人工智能技术的蓬勃发展有助于实现产科超声的智能识别、自动量化、自动诊断等功能。产科超声相关的人工智能软件正在逐步投入临床使用，简化了产前超声检查的操作过程，缩短了检查时间，保证了检查结果的准确性，从而提高超声检查的诊疗效率。人工智能在产科超声中的应用可辅助诊断，减少测量不准确甚至漏诊等的发生，尤其是医疗资源有限地区。目前，人工智能在产科超声领域的应用已取得显著成果，但许多模型的有效性和普遍性还有待进一步优化，且检测准确性、功能多样性、运行速度、硬件配置需求等仍有发展空间。