人工智能在產科超聲中的應用進展

陳彬，嚴雨霖，杜海雯，黃麗莉，陳穎，應濤

(上海交通大學附屬第六人民醫院超聲科 上海市超聲醫學研究所，上海 200233)

超聲憑借其無輻射、廉價、便捷等優勢成為目前產科檢查中應用最廣泛的影像學檢查手段，可檢測整個妊娠周期母體變化和胎兒生長發育情況。一方面，超聲可在孕早期篩查出異常妊娠，以便臨床及時治療；另一方面，通過觀察胎兒的生長發育，篩查先天畸形，并對胎兒的發育進行評估，以為產婦分娩提供恰當的臨床決策，從而使產婦和胎兒獲得最佳的產前準備和妊娠結局[1]。然而，當前產科超聲的實際運用仍存在一些問題，如需要測量的評價參數眾多、醫師工作量大、檢查時間長、經驗依賴性強、測量評估的重復性差，因此需要進一步優化產科超聲檢查，以提高診查效率[2]。

人工智能指通過模仿人類智能特征的計算機算法來解決問題或學習，其在識別、測算等特定領域具有比人類更快速、更準確的完成任務的潛力[3]。近年來，隨著數學算法研究的不斷深入、大數據時代的來臨及5G技術的成熟與普及，機器能處理的數據量不斷提高，數據處理效率及傳輸速度劇增，人工智能領域飛速發展，其在醫學圖像識別與處理領域的優勢也不斷顯現，并逐步運用于產科超聲[4]。通過構建機器學習的各類模型，訓練計算機“學習”圖像中的各種特征，從而實現胎兒結構智能識別、參數自動測量以及生長發育智能輔助評估等功能[5-7]?，F就人工智能在產科超聲中的應用進展予以綜述。

1 人工智能在產科超聲結構識別中的應用

圖像采集是產科超聲評估的基礎，采集的切面是否標準將會影響后續的判斷，但獲取最佳的評估切面往往依賴于超聲醫師的經驗，而一些新手醫師明確標準切面則需要很長時間，且易直接在不具備測量或評估條件的超聲圖像上進行測量，導致測量誤差或造成不同程度的漏診。為此，研究者試圖構建各種自動識別模型，以智能定位符合診斷標準的結構或切面，實現圖像采集的標準化與便捷化。

1.1胎兒頭部結構切面的自動識別 標準的胎兒顱腦評估切面是胎兒頭部參數準確測量及顱腦發育評估的重要前提，智能識別胎兒頭部及其內部結構有利于實現標準化的圖像采集。近年來，隨著人工智能技術的不斷發展，多種深度學習算法被用于胎兒頭部標準切面的自動分割，且準確性和一致性均較好[8]。Yaqub等[9]通過聯合多種深度學習算法逐步實現了大腦的準確定位、包含感興趣結構區域的檢測、感興趣區域內標準切面的驗證，并能夠智能識別95%以上的胎兒顱腦評估切面。除智能識別頭部標準切面外，Yang等[10]通過聯合基于編碼器-解碼器的分割任務器及混合注意力機制，實現了對整個胎頭三維圖像的自動分割，不僅提高了運算性能，還增強了對于邊界的分割，其胎頭圖像分割準確度可達96%以上。

1.2胎兒面部結構切面的自動識別 超聲醫師主要通過眼軸平面、正中矢狀平面和鼻唇溝冠狀平面等胎兒面部標準切面觀察胎兒面部輪廓，并篩查唇腭裂等各種胎兒面部發育畸形[11]。然而，胎兒面部超聲檢查受其體位的影響較大，且其面部常被手、腳等遮擋，給超聲檢查帶來一定的困難，故胎兒面部標準切面的獲取對檢查醫師的經驗依賴性較強。近年來，胎兒面部切面智能識別模型的開發有望解決上述問題。其中，一部分研究基于胎兒面部形態特征進行模型構建，Lei等[12]通過底層特征和多層費希爾向量特征編碼來構建完整的圖像特征，再聯合支持向量機分類器完成標準胎兒面部平面的準確定位。隨后，余鎮等[13]憑借深度卷積神經網絡架構強大的特征識別功能，結合遷移學習策略及數據增強技術，進一步提高了識別性能，對胎兒面部的識別率可達95%。另一部分研究則主要基于胎兒面部圖像的紋理特征實現模型的構建，Wang等[14]提出了一種用于胎兒面部標準切面的自動識別和分類的紋理特征融合方法，通過提取圖像的紋理特征并采用支持向量機分類器進行預測分類，在保證胎兒面部標準切面自動識別準確率的同時，解決了以往卷積神經網絡模型訓練困難、過程復雜、運算速度慢等問題。

1.3胎兒腹部結構切面的自動識別 胎兒腹部標準切面的自動識別是進一步實現腹圍自動測量的基礎，然而胎兒腹部標準切面涉及結構較多且腹圍邊緣對比度偏低，增加了腹部切面智能識別模型構建的難度[15]。針對腹部輪廓提取的困難，早期研究結合基于邊緣、區域、形狀模型和變形模型4種圖像分割技術對腹部切面進行識別[16]。針對大樣本量腹部智能識別模型的需求，Chen等[17]通過構建域轉移深度卷積神經網絡實現胎兒腹部標準切面的智能識別，并提出了一種遷移學習策略，從而減少訓練樣本量小導致的過擬合。近年來，腹部標準切面智能識別模型常通過聯合多個卷積神經網絡模型構建而成，通過不同的卷積神經網絡分別實現腹部標準平面所在范圍的檢測、胎兒腹部標準切面關鍵結構(胃泡、臍靜脈、膽囊等)的檢測、脊柱位置和骨骼區域的檢測、所得切面的驗證等，通過結合多種卷積神經網絡，進一步優化智能軟件的性能，提高胎兒腹部標準切面識別的準確性，結果顯示，與人工操作獲得的結果基本相同[18-19]。

1.4胎兒心臟結構切面的自動識別 人工智能對于胎兒心臟結構或標準切面的智能識別是輔助診斷先天性心臟病等胎兒心臟異常的前提，早期心臟結構的智能識別研究主要針對成人心臟，成人心臟的掃查部位相對固定，而胎兒心臟掃查位置可隨胎兒體位而改變，因此成人心臟智能模型并不適于胎兒心臟的智能識別[20]。隨著人工智能技術的不斷發展，尤其是深度學習的出現，研究者構建出多種針對胎兒心臟的智能識別模型。在二維超聲心動圖中，編碼器-解碼器卷積神經網絡架構對胎兒心臟圖像進行自動分割的效果與專家的判斷結果接近，在保證高度準確分割結果的同時還具有很高的魯棒性[21]。Dong等[22]結合了兩個分類網絡和一個檢測網絡開發了一種基于卷積神經網絡的三步深度學習框架，分別用于執行粗略分類、分類細化和解剖檢測的流程，與其他先進的檢測網絡相比，該模型對胎兒超聲心臟四腔心切面中的多個解剖結構具有強大的實時檢測能力，能夠實現實時切面智能質量控制。隨著四維超聲檢查在胎兒心臟監測中的應用，針對胎兒四維超聲檢查數據的“智能導航”技術應運而生，其通過自動識別胎位、心軸等實現四維模式下胎兒心臟結構的自動切割、9個標準胎兒超聲心動圖切面的顯示、心臟評估參數的自動測量等，從而簡化四維模式下胎兒心臟檢查流程[23]。

2 人工智能在產科超聲參數測量中的應用

胎兒生物特征參數(雙頂徑、頭圍、腹圍、股骨長度等)的準確測量對于估計胎兒體重、胎齡以及檢測胎兒生長發育異常至關重要，胎兒生物特征參數的傳統手動測量非常耗時，并且測量結果的重復性較差。人工智能技術在智能識別胎兒結構的基礎上，通過結合智能測量算法，實現胎兒生物特征參數的自動測量，以進一步優化產科超聲工作流程。早期開發的用于自動測算胎兒生物特征參數的“半自動”模型雖然準確性和一致性較好，但往往需要操作者對目標參數范圍進行初始標記，且模型設計較為冗雜、計算效率較低、對于計算機配置有一定需求[24]。隨著機器學習的迭代，“全自動”測量模型的構建進一步提升了用戶的操作體驗，這種模型不需要操作者定位目標范圍，且運算效率也有所提高[25]。

隨著深度學習的發展，智能模型得到優化。一方面，通過融合多個架構提高智能模型自動檢測與測量的性能，如Li等[26]通過隨機森林分類器、相位對稱以及快速橢圓擬合分別實現胎頭的自動定位、檢測及測量；而van den Heuvel等[27]聯合兩個卷積神經網絡分別實現連續掃描記錄中胎頭的智能識別及胎頭參數的自動測量。在腹圍的智能測量中，Jang等[15]分別使用卷積神經網絡及霍夫變換實現胃泡、羊水和臍靜脈的特征識別及腹圍的自動測算。融合多個架構構建的智能模型在提升模型自動測算能力的基礎上，優化了模型自身結構，從而實現了提升運算速度、降低硬件需求等目標。另一方面，一些基于深度學習的智能模型還可自動測量多個參數，通過構建多功能神經網絡架構實現多器官的自動識別及測量[28]。此外，在實現多器官自動識別及測量的基礎上，Ghelich Oghli等[29]采用一種新穎且有效的卷積網絡架構(多特征金字塔Unet)進行自動檢測并聚焦于感興趣區域或對象，降低周邊噪聲并去除周圍非感興趣區域結構，進一步提高模型的靈敏度和準確度。

產科超聲參數的智能測量有較好的臨床轉化性，近年許多產科超聲儀器在開發時配置了智能測量的模型，并已在臨床試驗或臨床工作中應用。臨床試驗表明，目前已投入使用的人工智能軟件(Smartplanes、EpiQ等)在生物特征參數的自動測量上具有較好的可行性與可重復性，且智能軟件所獲得的測量值與經驗豐富超聲醫師的判斷結果的一致性較好，而人工智能輔助下的掃描能夠平均節省34.7%的時間，大大提升了工作效率[4,30-31]。

3 人工智能在胎兒生長發育評估中的應用

人工智能技術在產科超聲中的應用不斷深入，在實現胎兒結構、標準切面智能識別及胎兒生物特征參數智能測算的基礎上，進一步對胎兒生長發育的智能評估進行探索。胎兒生長發育的智能評估提示胎兒發育異常，有助于減少醫師經驗等原因導致的診斷誤差，提高產科超聲檢查結果的準確性[7]。

3.1人工智能在胎肺成熟度評估中的應用 胎肺發育不良可能導致新生兒呼吸窘迫綜合征等呼吸系統發育疾病的發生，因此產前評估胎肺成熟度有利于盡早篩查出胎肺成熟度異常并進行臨床干預。超聲胎肺成熟度評估具有非侵入性、無輻射等優勢，近年逐漸受到重視，胎肺成熟度的超聲評價一般通過比較胎肺與肝臟、腸道和胎盤的超聲回聲進行判斷[32]。但人眼分辨對比度差異的重復性較差，且對操作者經驗的要求較高。紋理特征分析被認為是定量分析胎肺成熟度的有效方法，其不基于圖像的直接灰度級，而是通過算法估計胎肺的紋理特征，在保證診斷準確性的同時，還可保持較好的重復性。早期基于紋理特征識別軟件分析評估胎肺成熟度的靈敏度、特異度和準確度分別可達95.1%、85.7%和90.3%[33-34]。Xia等[35]基于深度學習算法建立的正常胎肺、胎齡分級模型可以準確識別不同胎齡、不同母體條件下胎肺的超聲圖像，與傳統的紋理分析算法相比，深度學習算法的魯棒性更高、處理速度更快，且可自動處理圖像。

3.2人工智能在胎心發育異常輔助診斷中的應用 人工智能算法對胎兒心臟的準確識別和分割，可輔助評估胎兒心臟功能并智能檢測先天性心臟病。Yu等[36]提出的反向傳播神經網絡模型可通過二維超聲心動圖自動測算胎兒左心室容積，并計算出左心功能參數，從而輔助評估胎兒左心室射血功能。在智能輔助診斷先天性心臟病方面，胎兒智能導航超聲心動圖可在具有時空相關性的三維、四維超聲數據中自動生成并顯示9個標準胎兒超聲心動圖，該系統可明顯簡化胎兒心臟的檢查步驟并降低超聲檢查對操作者經驗的依賴，有助于輔助診斷心臟結構的解剖異常，篩查法洛四聯癥、D型大動脈轉位等先天性心臟病[37-38]。Arnaout等[39]基于大數據訓練的卷積神經網絡模型同樣可識別指南推薦的胎兒心臟評價的5個標準切面，并分割和測量心臟結構，其評價先天性心臟病的靈敏度(95%)和特異度(96%)均較高。

3.3人工智能在胎腦發育異常輔助診斷中的應用 胎腦發育異常也是產科常見的先天畸形，可能導致神經發育遲緩和智力低下等，產前篩查胎腦發育異常至關重要[40]。Xie等[41]開發出一種針對腦室擴大、腦積水等常見胎腦異常的計算機輔助診斷算法，通過U-net網絡對顱腦區域進行分割，再通過深度卷積網絡的特征提取能力對切面進行分類，從而應用于輔助診斷，有望減少胎腦發育異常篩查的假陰性。在另一項大樣本量的臨床試驗中，智能軟件對胎兒腦部自動分割的精度達到98%，區分異常腦部發育的準確度達到96%，病灶定位準確度達到62%，其單幅圖像的平均分析時間僅1.08 s，可能有助于提高臨床診查效率[42]。

4 小 結

人工智能技術的蓬勃發展有助于實現產科超聲的智能識別、自動量化、自動診斷等功能。產科超聲相關的人工智能軟件正在逐步投入臨床使用，簡化了產前超聲檢查的操作過程，縮短了檢查時間，保證了檢查結果的準確性，從而提高超聲檢查的診療效率。人工智能在產科超聲中的應用可輔助診斷，減少測量不準確甚至漏診等的發生，尤其是醫療資源有限地區。目前，人工智能在產科超聲領域的應用已取得顯著成果，但許多模型的有效性和普遍性還有待進一步優化，且檢測準確性、功能多樣性、運行速度、硬件配置需求等仍有發展空間。