相关实验视频
Updated: Jul 4, 2026
10:02
State of the Art Cranial Ultrasound Imaging in Neonates
Published on: February 2, 2015
25.7K
使用MRI,超声波和临床数据预测妊娠年龄小的胎儿的不良周产期结果
Aviad Rabinowich1,2,3, Aaron Olender4, Netanell Avisdris1,4
1Sagol Brain Institute, Tel Aviv Sourasky Medical Center, Tel Aviv, 6423906, Israel.
Radiology advances
|October 8, 2025
概括
结合胎儿MRI,超声波和临床数据的机器学习模型显著改善了胎儿生长限制 (FGR) 和小至妊娠年龄 (SGA) 怀孕中不良周产期结果的预测. 这种多式联运方法比传统方法提供了更好的风险分层,更高的准确性.
科学领域:
- 产周医学 产周医学
- 医学成像 (MRI,超声波) 的使用.
- 机器学习在医疗保健中的应用
- 胎儿发育和诊断 胎儿发育和诊断
背景情况:
- 胎儿生长限制 (FGR) 和较小的孕期 (SGA) 怀孕与不良的围产期结局有关.
- 目前用于预测这些结果的基于超声波的方法的准确性有限.
- 整合胎儿MRI,超声波和临床数据为改善预后提供了潜力.
研究的目的:
- 评估整合产前MRI,超声波和临床特征的机器学习 (ML) 模型是否可以提高FGR/SGA怀孕中不良产周结果的预测.
- 将多式联机机模型的预测性能与标准超声波生物识别值进行比较.
主要方法:
- 一项单中心研究包括131名参与者 (60名FGR/SGA,71名适合孕期年龄).
- 分析了27个来自MRI,超声波和临床数据的特征.
- 七个ML分类器被训练来预测组合不良新生儿结果 (CANO) 和非令人放心的胎儿状态 (NRFS),使用交叉验证和AUC评估性能.
主要成果:
- 随机森林ML模型实现了预测CANO (0.912) 和NRFS (0.834) 的高AUC.
- 多参数模型显示CANO预测的灵敏度和特异性明显高于标准生物识别值 (<3个和<10个百分点).
- 与标准值相比,NRFS预测的特异性也得到了显著改善,敏感度没有显著差异.
结论:
- 整合多模式数据 (胎儿MRI,超声波,临床数据) 的机器学习模型表明,在FGR/SGA怀孕中改善风险分层的潜力.
- 这种方法可以更准确地预测周产期不良结果,有助于临床决策.
