从超声波视频开发自动胎儿生物识别深度学习模型的开发和时间验证
M Goetz-Fu1, M Haller2, T Collins3
1Department of Obstetrics and Gynecology, Strasbourg University Hospital, Strasbourg, France.
Journal of gynecology obstetrics and human reproduction
|September 24, 2025
概括
一个使用深度神经网络的人工智能系统准确地测量胎儿生物识别和估计胎儿体重,超过经验较少的超声波仪,并匹配专家的性能,以改善产前诊断.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 产前诊断 在产前诊断
背景情况:
- 胎儿生物测量测量对于评估胎儿生长和福祉至关重要.
- 准确和可重复的测量对于可靠的产前诊断至关重要.
- 胎儿生物学的手动测量可能会受到操作者之间的变化.
研究的目的:
- 开发和验证基于人工智能的系统,用于自动检测标准胎儿超声波平面.
- 使用深度神经网络 (DNN) 自动测量胎儿生物学的关键参数 (HC,AC,FL).
- 使用人工智能系统估计胎儿体重,并将其性能与人类超声波相比较.
主要方法:
- 一个标准的平面识别DNN被训练来分类超声波图像.
- 开发了三种DNN,可以自动测量头周长 (HC),腹周长 (AC) 和股骨长度 (FL).
- 使用哈德洛克3公式估计胎儿体重,AI系统在281个超声波视频中与专家超声波仪验证.
主要成果:
- 人工智能系统在胎儿体重和AC的绝对相对测量误差明显较低,与经验较少的超声波仪相比.
- 对AI系统与专家的平均绝对相对测量误差为HC的0.96%,AC的1.56%,FL的1.77%,胎儿体重的3.10%.
- 在所有参数上,人工智能系统的测量准确度与专家超声波仪相提并论.
结论:
- 开发的AI系统提供了精确的胎儿生物测量和胎儿体重估计,与专家超声波相美.
- 这种人工智能工具显示了提高非专家超声波仪器对胎儿生物识别测量的性能和可重复性的潜力.
- 人工智能系统可以帮助减少产前超声波评估中的操作者间变异性.
