Radiomikanalys av tidiga graviditetsultraljud för att förutsäga viabilitet vid slutet av första trimestern

Varför snabba svar i graviditeten spelar roll

För många kvinnor är de första veckorna av graviditeten fyllda av både hopp och oro. När ett tidigt ultraljud ännu inte klart kan visa om en graviditet kommer att fortsätta eller sluta i missfall, kallar läkare det för en ”graviditet med okänd viabilitet”. Den här väntperioden—ofta en till två veckor innan en upprepad undersökning—kan vara känslomässigt utmattande. Studien som sammanfattas här undersöker om subtila mönster dolda i rutinultraljudsbilder, kombinerade med enkel klinisk information, kan hjälpa till att tidigare och mer exakt förutsäga det slutliga utfallet.

Se bortom vad ögat kan uppfatta

Traditionell ultraljudsbedömning bygger på det klinikerna kan mäta och se direkt: storlek och form på fosterhinnan, närvaro av gulesäck eller ett litet embryo, och om en hjärtaktivitet syns. Tidigare forskning har använt sådana egenskaper för att bygga poängsystem, men deras noggrannhet är begränsad och beror ofta på komplett data. I detta nya arbete frågade forskarna om datorer kunde upptäcka mycket finare detaljer i ultraljudsbilderna—detaljer för subtila för det mänskliga ögat—med en metod kallad radiomik. Radiomik omvandlar bilder till tusentals numeriska egenskaper som beskriver struktur, ljushetsmönster och småskaliga texturer, och kan potentiellt fånga tidiga tecken på en frisk eller bristfällig implantation.

Bygga en automatiserad bildpipeline

Teamet samlade ultraljudsskanningar från 500 kvinnor som besökte tidiga graviditetsmottagningar vid två London-sjukhus mellan 2021 och 2023. Alla hade fått beskedet att de hade en graviditet med okänd viabilitet, och deras slutliga utfall—pågående graviditet eller missfall vid slutet av första trimestern—registrerades senare. För att förbereda bilderna för analys lärde forskarna först en djupinlärningsmodell att hitta två viktiga regioner på varje bild: själva gestationssäckens område och en tunn ring av omgivande livmodervävnad. Med en neuralt nätverksarkitektur utformad för medicinsk bildbehandling lärde sig systemet att avgränsa dessa områden med hög noggrannhet, nära experternas manuella konturer. Detta automatiserade ”segmenteringssteg” är avgörande eftersom det gör det möjligt att i framtiden bearbeta skanningar utan att kräva ytterligare tid från specialistkliniker.

Förvandla mönster till förutsägelser

När regionerna identifierats extraherade radiomikprogramvara mer än fyra tusen kvantitativa egenskaper från ultraljudsbilderna. Samtidigt samlade teamet in enkel klinisk information som redan dokumenterats i rutinvården—såsom kvinnans ålder, hur många veckor gravid hon var enligt sista mens, och hur mycket blödning och smärta hon rapporterat. Eftersom inte alla dessa variabler är lika användbara testade forskarna en rad metoder för urval av egenskaper och maskininlärningsalgoritmer för att hitta den bästa kombinationen. Deras slutliga modell, kallad Pregnancy of Unknown Viability Prediction Score (PUVPS), byggde på en teknik känd som XGBoost och noggrant utvalda radiomiska och kliniska egenskaper. I test visade modellen god förmåga att skilja pågående graviditeter från missfall, även i data från ett externt sjukhus som inte användes för att träna systemet.

Vad modellen egentligen använder

Några av de mest inflytelserika prediktorerna visade sig vara bekanta kliniska faktorer: hur långt graviditeten borde vara enligt sista mens, hur allvarlig vaginal blödning var, och moderns ålder. Men flera radiomiska texturmått från säcken och omgivande vävnad rankades också högt. Dessa fångar hur homogena eller fläckiga pixelintensiteterna är och hur ljusa regioner är fördelade, vilket kan relatera till hur väl den tidiga moderkakan och stödjande vävnader bildas. Intressant nog verkade de radiomiska egenskaperna också förändras med graviditetslängd, vilket antyder att de kan följa verkliga biologiska förändringar i tidig graviditetsutveckling snarare än slumpmässigt brus.

Vad detta kan innebära för patienterna

Studien har begränsningar, främst den måttliga storleken på urvalet, vilket kan göra att varje maskininlärningsmodell framstår som för optimistisk tills den testats i mycket större och mer olika grupper. Trots det tyder resultaten på att det kan vara möjligt att ge kvinnor som står inför en graviditet med okänd viabilitet en personlig riskuppskattning baserad enbart på det ultraljud de redan genomgår, utan extra blodprov eller procedurer. I framtiden, om det valideras i stora multicenterstudier, skulle ett verktyg som PUVPS kunna arbeta diskret i bakgrunden på ultraljudsmottagningen, analysera bilder i realtid och erbjuda en sannolikhet för pågående graviditet. Istället för att ersätta standarduppföljningsskanningar skulle det kunna hjälpa kvinnor och kliniker att förbereda sig känslomässigt och praktiskt under en mycket osäker väntperiod.

Citering: 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

Nyckelord: tidig graviditet, missfallsrisk, ultraljud, radiomik, maskininlärning i medicin