Radiomics-Analyse früher Schwangerschaftsultraschallbilder zur Vorhersage der Lebensfähigkeit am Ende des ersten Trimenons

Warum frühe Antworten in der Schwangerschaft wichtig sind

Für viele Frauen sind die ersten Wochen der Schwangerschaft von Hoffnung und Sorge zugleich geprägt. Wenn ein früher Ultraschall noch nicht eindeutig zeigen kann, ob eine Schwangerschaft weiterbesteht oder in einer Fehlgeburt endet, sprechen Ärztinnen und Ärzte von einer „Schwangerschaft mit unbekannter Lebensfähigkeit“. Diese Wartzeit – oft ein bis zwei Wochen bis zur Wiederholung des Scans – kann emotional sehr belastend sein. Die hier zusammengefasste Studie untersucht, ob subtile Muster in routinemäßigen Ultraschallbildern, kombiniert mit einfachen klinischen Informationen, dabei helfen können, das spätere Ergebnis früher und genauer vorherzusagen.

Weitersehen als das Auge kann

Die traditionelle Ultraschallbeurteilung stützt sich auf das, was Kliniker direkt messen und sehen können: Größe und Form der Fruchthöhle, das Vorhandensein eines Dottersacks oder eines kleinen Embryos und ob ein Herzschlag sichtbar ist. Frühere Arbeiten nutzten solche Merkmale, um Bewertungssysteme zu entwickeln, deren Genauigkeit jedoch begrenzt ist und oft von vollständigen Daten abhängt. In dieser neuen Arbeit fragten die Forschenden, ob Computer deutlich feinere Details in den Ultraschallbildern erkennen können – Details, die für das menschliche Auge zu subtil sind – mithilfe eines Ansatzes, der als Radiomics bezeichnet wird. Radiomics verwandelt Bilder in Tausende numerischer Merkmale, die Textur, Helligkeitsmuster und feine Strukturen beschreiben und somit frühe Hinweise auf eine gesunde oder eine mangelnde Einnistung erfassen können.

Aufbau einer automatisierten Bildpipeline

Das Team sammelte Ultraschalluntersuchungen von 500 Frauen, die zwischen 2021 und 2023 Frühschwangerschaftszentren an zwei Londoner Krankenhäusern aufsuchten. Allen war mitgeteilt worden, dass es sich um eine Schwangerschaft mit unbekannter Lebensfähigkeit handelte, und ihr Endergebnis – fortbestehende Schwangerschaft oder Fehlgeburt bis zum Ende des ersten Trimenons – wurde später erfasst. Zur Vorbereitung der Bilder für die Analyse brachte das Forschungsteam zunächst einem Deep-Learning-Modell bei, zwei Schlüsselregionen in jedem Scan zu finden: die Fruchthöhle selbst und einen dünnen Ring des umgebenden Uterusgewebes. Unter Verwendung einer für medizinische Bildgebung konzipierten neuronalen Netzwerkarchitektur lernte das System, diese Regionen mit hoher Genauigkeit nachzuzeichnen und damit den manuellen Expertenkonturen sehr ähnlich zu werden. Dieser automatisierte Segmentierungsschritt ist entscheidend, weil er künftige Scans verarbeitbar macht, ohne zusätzliche Zeit von Fachexperten zu erfordern.

Muster in Prognosen verwandeln

Sobald die Regionen identifiziert waren, extrahierte Radiomics-Software mehr als viertausend quantitative Merkmale aus den Ultraschallbildern. Gleichzeitig sammelte das Team einfache klinische Informationen, die bereits in der Routinedokumentation erfasst werden – etwa das Alter der Frau, wie viele Wochen sie nach ihrer letzten Menstruation schwanger sein sollte, und wie stark Blutungen und Schmerzen gemeldet wurden. Da nicht alle dieser Variablen gleich nützlich sind, testeten die Forschenden eine breite Palette an Merkmalsauswahlmethoden und maschinellen Lernalgorithmen, um die beste Kombination zu finden. Ihr finales Modell, genannt Pregnancy of Unknown Viability Prediction Score (PUVPS), basierte auf einer Technik namens XGBoost und sorgfältig ausgewählten radiomischen und klinischen Merkmalen. In Tests unterschied das Modell fortbestehende Schwangerschaften von Fehlgeburten mit guter Leistungsfähigkeit, auch in Daten eines externen Krankenhauses, das nicht für das Training verwendet worden war.

Worauf das Modell tatsächlich zurückgreift

Einige der einflussreichsten Prädiktoren erwiesen sich als bekannte klinische Faktoren: die erwartete Schwangerschaftsdauer nach der letzten Menstruation, die Stärke der vaginalen Blutung und das Alter der Mutter. Aber mehrere radiomische Texturmaße aus der Fruchthöhle und dem umgebenden Gewebe lagen ebenfalls weit vorne. Diese erfassen, wie gleichmäßig oder fleckig die Pixelintensitäten sind und wie helle Bereiche verteilt sind, was mit der Ausbildung der frühen Plazenta und des stützenden Gewebes zusammenhängen könnte. Interessanterweise schienen sich die radiomischen Merkmale auch mit dem Gestationsalter zu verändern, was darauf hindeutet, dass sie reale biologische Veränderungen in der frühen Schwangerschaftsentwicklung erfassen könnten und nicht nur zufälliges Rauschen.

Was das für Patientinnen bedeuten könnte

Die Studie hat Einschränkungen, allen voran die moderate Stichprobengröße, durch die ein beliebiges maschinelles Lernmodell optimistischere Ergebnisse zeigen kann, bis es in viel größeren und vielfältigeren Gruppen validiert wurde. Dennoch deuten die Ergebnisse darauf hin, dass es möglicherweise möglich ist, Frauen mit einer Schwangerschaft unklarer Lebensfähigkeit eine personalisierte Risikoeinschätzung allein auf Basis des bereits durchgeführten Ultraschalls zu bieten, ohne zusätzliche Bluttests oder Eingriffe. In Zukunft könnte ein Werkzeug wie PUVPS, sofern es in großen multizentrischen Studien validiert wird, unauffällig im Hintergrund der Ultraschallklinik laufen, Bilder in Echtzeit analysieren und eine Wahrscheinlichkeit für das Fortbestehen der Schwangerschaft liefern. Es würde nicht standardmäßige Kontrollscans ersetzen, könnte aber helfen, Frauen und Behandelnde emotional und praktisch in dieser sehr unsicheren Wartezeit besser vorzubereiten.

Zitation: Murugesu, S., Linton-Reid, K., Barcroft, J. et al. Radiomics analysis of early pregnancy ultrasound images to predict viability at the end of first trimester. Sci Rep 16, 5504 (2026). https://doi.org/10.1038/s41598-026-35158-5

Schlüsselwörter: frühe Schwangerschaft, Fehlgeburtsrisiko, Ultraschall, Radiomics, Maschinelles Lernen in der Medizin