利用放射组学分析早孕超声图像以预测第一孕期末的妊娠存活性

为何在妊娠早期尽早知情很重要

对于许多女性来说，妊娠的最初几周充满了希望与焦虑。当早期超声尚不能清晰显示妊娠是否会持续或以流产终止时，医生称之为“妊娠存活性不明”。这段等待期——通常需要一至两周才做复查——在情感上常常令人筋疲力尽。本文所述的研究探讨了常规超声图像中是否存在被肉眼忽略的微妙模式，配合简单的临床信息，能否更早且更准确地预测最终结局。

超越肉眼可见的细节

传统的超声评估依赖临床可测量和可见的特征：孕囊的大小与形状、是否可见卵黄囊或微小胚芽、以及是否有心跳等。早期研究基于这些特征构建评分系统，但其准确性有限，且常依赖于完整的数据。在这项新工作中，研究者探问计算机会否通过一种称为放射组学的方法，从超声图像中捕捉出更精细的细节——那些人眼难以分辨的微小信息。放射组学将图像转换为数千个数值特征，描述纹理、亮度模式和小尺度结构，可能捕捉到健康或失败着床的早期信号。

构建自动化图像处理流程

研究团队收集了2021年至2023年间两家伦敦医院早孕门诊中500名女性的超声扫描图像。所有受检者均被告知为妊娠存活性不明，其最终结局——在第一孕期末持续妊娠或流产——随后被记录。为使图像可用于分析，研究者首先训练了一个深度学习模型来定位每张扫描中的两个关键区域：孕囊本身及其周围一圈薄薄的子宫组织。使用为医学影像设计的神经网络架构，系统学会了高精度地描绘这些区域，与专家手工轮廓高度一致。这一步的自动“分割”非常关键，因为它允许未来的扫描在不增加专家额外时间的情况下被处理。

将图像模式转化为预测

一旦区域被识别，放射组学软件就从超声图像中提取了四千多项定量特征。与此同时，团队收集了常规护理中已记录的直接临床信息——例如女性年龄、末次月经推算的孕周、以及报告的出血和疼痛程度。由于并非所有变量同等有用，研究者测试了多种特征选择方法和机器学习算法以找出最佳组合。他们的最终模型称为“妊娠存活性不明预测评分”（PUVPS），基于一种称为XGBoost的技术以及精心挑选的放射组学和临床特征。在测试中，该模型区分持续妊娠与流产表现出良好性能，包括在未用于训练系统的外部医院数据中也表现稳健。

模型究竟依赖哪些信息

一些最具影响力的预测因子是熟悉的临床因素：以末次月经推算的孕周、阴道出血的严重程度以及母亲年龄。但来自孕囊及周围组织的若干放射组学纹理指标也位列前茅。这些指标反映像素强度的均匀性或斑驳程度以及亮区的分布，可能与早期胎盘和支撑组织的形成状况相关。有趣的是，放射组学特征似乎随孕周变化，暗示它们可能在跟踪早期妊娠发育中的真实生物学变化，而非随机噪声。

这对患者可能意味着什么

该研究存在局限，最明显的是样本量有限，这可能使任何机器学习模型在未在更大且更具多样性的群体中验证前显得过于乐观。尽管如此，结果表明或许可以仅基于患者正在接受的超声图像，向面临妊娠存活性不明的女性提供个体化的风险评估，而无需额外的血液检测或操作。未来若在大型多中心试验中得到验证，像PUVPS这样的工具可在超声诊室的后台静默运行，实时分析图像并提供持续妊娠的概率估计。它不是要取代标准的随访扫描，而是能在这个极其不确定的等待期内，帮助女性和临床医师在情感和实际层面上更好地准备应对。

引用: 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

关键词: 早期妊娠, 流产风险, 超声, 放射组学, 医学中的机器学习