En multifunktionsram för djupinlärning och radiomik för detektion och klassificering av fosteranatomi i ultraljudsbildgivning

Varför tidiga hjärnundersökningar av fostret är viktiga

Blivande föräldrar och kliniker vill ha klara, tidiga besked om ett barns hälsa. Ultraljudsundersökningar under de första tre månaderna av graviditeten ger redan en inblick i den utvecklande hjärnan och ansiktet, där subtila förändringar kan anspela på framtida problem. Men att tolka dessa gryniga bilder är svårt och beror i hög grad på den som håller proben. Denna studie undersöker hur modern artificiell intelligens kan fungera som ett extra par experttankar, automatiskt upptäcka och klassificera små strukturer i fostrets huvud för att stödja tidigare och mer konsekvent screening.

Se mer än det mänskliga ögat

Forskarna fokuserade på nio viktiga hjärn- och ansiktsdrag som läkare rutinmässigt kontrollerar mellan vecka 11 och 14 av graviditeten, inklusive delar av hjärnan, dess vätskefyllda utrymmen och ansiktsmarkörer som näsbenet och gommen. Förändringar i dessa strukturer kan signalera genetiska eller strukturella tillstånd. Traditionellt kan även erfarna specialister vara oense om vad de ser på ultraljud, och bildkvaliteten varierar mellan kliniker. För att hantera detta samlade teamet en stor, mångsidig uppsättning av 4 532 ultraljudsundersökningar från nio medicinska centrum, vilket fångade ett brett spektrum av utrustning, bildstilar och fosterpositioner. Denna variation gjorde det möjligt att bygga och testa ett automatiserat system som är mindre bundet till ett enskilt sjukhus eller maskin.

Hur den smarta kedjan fungerar

Studien kretsar kring en steg-för-steg digital pipeline som efterliknar — och sedan utökar — en mänsklig undersökares arbetsflöde. Först skannar två avancerade bildanalysmodeller varje ultraljudsram och ritar rutor runt de nio måltavlestrukturerna, såsom mitthjärnan eller näsbenet. Den ena modellen är en snabb detektor utformad för att snabbt plocka ut små objekt, medan den andra bygger på en transformerliknande arkitektur som betraktar bilden i överlappande fönster för att fånga både lokala detaljer och bredare kontext. När regionerna är lokaliserade studerar systemet innehållet i varje ruta på två kompletterande sätt: det beräknar hundratals handgjorda ”radiomiska” mått som beskriver textur, ljushet och form, och låter samtidigt ett djupt neuralt nätverk lära sig sina egna mönster direkt från pixlarna.

Från råa mått till tydliga bedömningar

Att samla tusentals numeriska mått är bara användbart om de är pålitliga och inte redundanta. Författarna tillämpade därför ett trestegsfilter. Först behöll de endast de funktioner som var stabila över olika centra och granskare, sedan tog de bort starkt överlappande mått, och slutligen använde de en sparsitetspromoverande metod för att välja den mest informativa delmängden. Dessa förfinade funktioner, hämtade från både radiomik och djupinlärning, matades därefter in i en specialiserad modell utformad för att hantera tabeller med siffror. Denna modell lär sig hur olika funktioner samverkar, vilket gör att den kan sortera varje struktur i kliniskt meningsfulla kategorier, såsom normal, i gränsfall eller tydligt avvikande, baserat på hur den ser ut i skanningen.

Hur väl systemet presterade

För att pröva om metoden skulle hålla utanför träningsdata utvärderade teamet prestanda på interna testbilder och på en separat uppsättning med nästan 500 skanningar från ett annat center. Transformermodellen visade sig vara särskilt noggrann på att hitta rätt anatomiska regioner och matchade ofta expertmärkta rutor med mycket hög överlappning. När det gällde att bedöma om en struktur var normal eller inte, överträffade de kombinerade funktionsmodellerna — som använde både radiomik och djuplärda mönster — konsekvent modeller som förlitade sig på endera källan. På den tuffaste externa testuppsättningen klassificerade de bästa kombinerade modellerna strukturer korrekt i cirka 96 % av fallen, med stark förmåga att plocka fram subtila avvikelser som ett förkortat näsben eller förträngda vätskefyllda utrymmen bakom hjärnstammen.

Vad detta kan innebära för prenatal vård

Ur ett lekmannaperspektiv är budskapet att datorer nu kan bidra till att göra tidiga graviditetsskanningar mer konsekventa och mindre beroende av en enskild experts omdöme. Genom att automatiskt hitta och bedöma känsliga strukturer i fostrets hjärna och ansikte kan detta flerstegs-system stödja tidigare, mer objektiv upptäckt av potentiella problem, även i hektiska kliniker med varierande utrustning. Författarna noterar att sällsynta och ovanliga tillstånd fortfarande utgör en utmaning och att ytterligare tester i verkliga miljöer krävs, men deras resultat tyder på att noggrant designade AI-verktyg tränade på flera center en dag kan bli rutinsamarbetspartner i första trimesterns screening, vilket ger föräldrar klarare information och kliniker starkare beslutsstöd i ett kritiskt tidigt skede.

Citering: 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

Nyckelord: fosterultraljud, prenatal screening, djupinlärning, radiomik, hjärn- och ansiktsutveckling