Многофункциональная система на основе глубокого обучения и радиомики для обнаружения и классификации анатомических структур плода в ультразвуковой визуализации

Почему ранние сканирования мозга ребёнка важны

Будущие родители и врачи хотят получать ясные и ранние ответы о здоровье ребёнка. Ультразвуковые исследования в первые три месяца беременности уже дают окно в развивающийся мозг и лицо, где едва заметные изменения могут указывать на возможные проблемы в будущем. Но анализ этих зернистых изображений сложен и в значительной степени зависит от опыта человека, держащего датчик. В этом исследовании рассматривается, как современные методы искусственного интеллекта могут выступать в роли дополнительной пары экспертов, автоматически обнаруживая и классифицируя мелкие структуры в голове плода, чтобы поддержать более ранний и более последовательный скрининг.

Видеть больше, чем человеческий глаз

Исследователи сосредоточились на девяти ключевых структурах мозга и лица, которые врачи рутинно проверяют между 11 и 14 неделями беременности, включая части мозга, окружающие его полости с жидкостью, а также лицевые маркёры, такие как носовая кость и нёбная структура. Изменения в этих структурах могут сигнализировать о генетических или структурных нарушениях. Традиционно даже опытные специалисты могут расходиться во мнениях относительно увиденного на УЗИ, а качество изображений варьируется от клиники к клинике. Чтобы справиться с этим, команда собрала большую и разнообразную выборку из 4 532 ультразвуковых обследований из девяти медицинских центров, охватывающих широкий спектр оборудования, стилей изображений и положений плода. Эта разнообразность позволила им создать и протестировать автоматизированную систему, которая менее привязана к одному конкретному госпиталю или аппарату.

Как работает интеллектуальная конвейерная схема

Сердцем исследования является поэтапный цифровой конвейер, который имитирует, а затем расширяет рабочий процесс человеческого специалиста. Сначала две продвинутые модели анализа изображений просматривают каждый кадр УЗИ и рисуют ограничивающие рамки вокруг девяти целевых структур, таких как средний мозг или носовая кость. Одна модель представляет собой быстрый детектор, предназначенный для быстрого выделения мелких объектов, в то время как другая опирается на архитектуру типа трансформера, которая рассматривает изображение в перекрывающихся окнах, чтобы уловить как локальные детали, так и более широкий контекст. После того как регионы определены, система изучает содержимое каждой рамки двумя дополняющими способами: вычисляет сотни вручную разработанных «радиомических» характеристик, описывающих текстуру, яркость и форму, и позволяет глубокой нейронной сети самостоятельно извлекать закономерности напрямую из пикселей.

Преобразование сырых признаков в понятные решения

Сбор тысяч числовых метрик полезен только в том случае, если они надёжны и не избыточны. Поэтому авторы применили трехэтапный фильтр. Сначала они оставили только те признаки, которые были стабильны между разными центрами и экспертами, затем удалили сильно пересекающиеся измерения и, наконец, использовали метод, поощряющий разреженность, чтобы выбрать наиболее информативное подмножество. Эти уточнённые признаки, полученные как из радиомики, так и из глубокого обучения, затем были поданы в специализированную модель, разработанную для работы с табличными данными. Эта модель учится тому, как разные признаки взаимодействуют, что позволяет отнести каждую структуру к клинически значимым категориям, таким как нормальная, пограничная или явно аномальная, исходя из её внешнего вида на скане.

Насколько хорошо система работала

Чтобы проверить, выдержит ли подход проверку на данных вне обучающей выборки, команда оценивала работу на внутренних тестовых изображениях и на отдельном наборе из почти 500 сканов из другого центра. Детектор на основе трансформера оказался особенно точным в обнаружении правильных анатомических областей, часто совпадая с экспертными рамками с очень высокой степенью наложения. При оценке того, является ли структура нормальной или нет, комбинированные модели — использующие как радиомические, так и извлечённые глубоким обучением признаки — стабильно превосходили модели, опиравшиеся только на один источник. На самом сложном внешнем тесте лучшие комбинированные модели правильно классифицировали структуры примерно в 96% случаев, демонстрируя высокую способность выявлять тонкие отклонения, такие как укороченная носовая кость или суженные пространства с жидкостью позади ствола мозга.

Что это может значить для пренатальной помощи

С точки зрения неспециалиста, главная мысль в том, что компьютеры теперь могут помочь сделать ранние скрининги беременности более последовательными и менее зависящими от мнения одного эксперта. Автоматически находя и оценивая тонкие структуры в мозге и лице плода, эта многоступенчатая система может способствовать более раннему и более объективному выявлению потенциальных проблем, даже в загруженных клиниках с разным оборудованием. Авторы отмечают, что редкие и необычные состояния по‑прежнему представляют трудность и требуется дальнейшее тестирование в реальных условиях, однако их результаты указывают на то, что тщательно спроектированные инструменты ИИ, обученные на данных из нескольких центров, могут однажды стать обычными помощниками при скрининге в первом триместре, предоставляя родителям более ясную информацию и врачам — более надёжную поддержку принятия решений на критическом раннем этапе.

Цитирование: Zhou, X., Wan, J., Sun, F. et al. A multi-task deep learning and radiomics framework for fetal anatomical structure detection and classification in ultrasound imaging. Sci Rep 16, 11586 (2026). https://doi.org/10.1038/s41598-026-41635-8

Ключевые слова: ультразвук плода, пренатальный скрининг, глубокое обучение, радиомика, развитие мозга и лица