世界卫生组织估计,全球每年有超过25万例可预防的死亡与妊娠相关并发症有关。产前超声可以改善妊娠结局,降低胎儿和孕产妇死亡率,但全球三分之二的人无法获得超声等诊断影像服务。目前的方法高度依赖专业临床培训,使得低资源地区数以百万计的孕妇在整个孕期都从未接受过一次超声检查。
为弥补这一差距,研究人员开发了用于解读“盲扫”超声图像的机器学习系统。这种扫描方法允许没有超声培训的基层医护人员,以标准化的方式在腹部滑动低成本便携式探头进行扫描。由于许多地区严重缺乏专家,而传统超声技师培训成本高昂且需要数年时间,辅以最少培训并结合AI判读的方式,可能会显著扩大产前筛查的覆盖范围。
一项发表于《JAMA Network Open》的研究评估了用于孕龄评估的AI模型在不同临床环境和硬件条件下的泛化能力。孕龄,即妊娠已进行的时间,是产前护理的基础,涉及筛查、治疗和分娩决策等诸多方面。此前的研究在该模型所学习的同一队列中未曾见过的患者身上验证了其效果。这项前瞻性研究则测试了该系统在真实诊所中、由新手操作者和不熟悉的设备运行于移动设备上时,是否依然可靠。
该模型在芝加哥的Northwestern Medicine(西北医学中心)进行了测试,这是一家城市高资源学术医疗中心;同时也在肯尼亚内罗毕的Jacaranda Health(Jacaranda健康机构)进行了测试,该机构是一个城市社区诊所网络。两地在女性开始产前护理的时间、接受常规超声的次数以及孕龄的推算方式上存在差异。研究使用了来自芝加哥的120名参与者组成的小型试点数据集(约占原始训练集的6%)对模型进行微调,使其适应新的探头硬件。研究未使用内罗毕的数据,从而使肯尼亚的验证成为一项严格独立的泛化能力测试。
来源: Google AI Blog · 由HeadlinesBriefing整理摘要