一种用于超声成像中胎儿解剖结构检测与分类的多任务深度学习与影像组学框架

为什么早期胎儿大脑扫描很重要

准父母和临床医生都希望尽早获得关于婴儿健康的明确答案。怀孕前三个月的超声检查已经能为大脑和面部的发育提供一扇窗口，其中细微变化可能预示未来的问题。但解读这些颗粒感强的图像很困难，很大程度上依赖于操作者的技术水平。本研究探讨了现代人工智能如何充当额外的一双专家之眼，自动识别并分类胎儿头部的微小结构，从而支持更早、更一致的筛查。

看见超出肉眼能及的细节

研究人员聚焦于9个常规在妊娠11至14周检查的关键脑与面部特征，包括大脑的部分结构、围绕大脑的液体腔隙以及诸如鼻骨和腭等面部标志。这些特征的变化可能提示遗传或结构性疾病。传统上，即使是经验丰富的专家对于超声图像的判断也可能存在分歧，而且不同诊所间的图像质量差异很大。为应对这一点，团队收集了来自9家医疗中心的4,532例超声检查，覆盖了多种设备、图像风格和胎儿姿态。这种多样性使他们能够构建并测试一个不依赖单一医院或仪器的自动化系统。

智能流程是如何运作的

研究的核心是一个逐步的数字化流程，既模拟又扩展了人工检查者的工作流程。首先，两个先进的图像分析模型扫描每一帧超声影像并在9个目标结构（例如中脑或鼻骨）周围画出边框。其一是为快速挑选小目标而设计的快速检测器，另一个基于变换器（transformer）风格的架构，通过重叠窗口查看图像以同时捕捉局部细节和更广泛的上下文。一旦定位到感兴趣区域，系统以两种互补方式研究每个框内的内容：计算数百个手工设计的“影像组学”测量，描述纹理、亮度和形状，并让深度神经网络直接从像素中学习自身的模式。

将原始特征转化为明确判断

收集数千个数值测量只有在它们可靠且不冗余时才有意义。因此作者采用了三级筛选。首先仅保留在不同中心与评审者之间稳定的特征，然后去除高度重叠的测量，最后使用一种促稀疏的方法选择最具信息量的子集。经此精炼的特征，来自影像组学和深度学习两方面，随后被输入到一个专门处理数值表格的模型中。该模型学习不同特征如何相互作用，从而基于扫描中结构的表现将每个结构划分为临床有意义的类别，如正常、边界或明显异常。

系统的表现如何

为了验证该方法在训练数据之外是否依然稳健，团队在内部测试图像和来自另一中心近500例独立扫描上评估了性能。基于变换器的检测器在找到正确解剖区域方面表现尤为准确，常常与专家标注的边框高度重合。在判定结构是否正常方面，结合了影像组学与深度学习特征的模型始终优于仅依赖单一来源的模型。在最具挑战性的外部测试集中，表现最好的组合模型大约正确分类了96%的结构，并能强有力地识别诸如鼻骨短小或脑干后方液体腔隙变窄等细微异常。

这对产前护理可能意味着什么

从外行角度看，信息是：计算机现在可以帮助使早期妊娠扫描更一致，不再过度依赖单一专家的判断。通过自动定位并评估胎儿脑与面部的微小结构，这一多步骤系统有望支持更早、更客观的问题发现，即使在设备各异、工作繁忙的门诊也能发挥作用。作者也指出，罕见和不寻常的病况仍然具有挑战性，且还需进一步的真实世界测试，但他们的结果表明，经过精心设计并在多中心训练的人工智能工具，未来有望成为一线妊娠筛查的常规助手，为父母提供更清晰的信息，并在关键的早期阶段为临床医生提供更强的决策支持。

引用: 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

关键词: 胎儿超声, 产前筛查, 深度学习, 影像组学, 脑与面部发育