Empowering frontline maternal care with AI-assisted ultrasound

利用AI辅助超声波技术提升一线产前护理

2026年10月21日

Angelica Willis，研究员，谷歌研究院；Nichole Young-Lin，临床负责人，谷歌健康

一项前瞻性多中心研究展示了基于AI的盲扫超声波评估如何使非专业操作者使用低成本探头也能提供专家级孕周评估，这标志着在全球范围内扩大生命拯救型产前护理的重要进展。

快速链接

• 论文

• 分享 复制链接 ×

世界卫生组织（WHO）估计，全球每年有超过25万人因妊娠相关并发症死亡。尽管产前超声波检查可以改善预后并降低胎儿和产妇死亡率，但全球三分之二的人无法获得超声波等诊断性医学影像。目前支持产妇健康的方法严重依赖专业临床培训，导致数百万资源匮乏地区的人在整个妊娠期间都无法获得一次超声波检查。

我们看到了一个机会，通过开发能够解读"盲扫"超声波的机器学习系统来解决这一现实需求。这种扫描方式使一线医疗工作者即使没有专业超声波培训，也能通过简单地按照标准化模式在腹部滑动低成本便携式超声波探头来执行扫描。

播放静音循环视频

暂停静音循环视频

取消静音视频

静音视频

盲扫序列协议图，按数据收集协议中出现的顺序排列。

由于许多地区面临专家严重短缺的问题，而传统超声波操作员培训既昂贵又需要多年投入，使这些医疗工作者通过最少培训就能执行评估，有可能显著扩大产前筛查覆盖率。

将最低培训要求与AI解读相结合，最终可能开发出一种成功工具，有望增加基于超声波的妊娠评估的可用性，从而改善获得更高质量产妇健康服务的机会。

在发表于《JAMA Network Open》的《基于盲扫超声波的AI孕周评估泛化性研究》中，我们评估了AI孕周评估模型在不同临床环境和硬件上的泛化效果。虽然我们之前的研究验证了该模型在来自相同回顾性队列的未见患者上的性能，但这项新的前瞻性研究展示了AI系统在真实诊所中运行时，即使只有新手操作者和不熟悉的超声设备，以及最少的微调，也能可靠运行。

“孕周基本上就是女性怀孕的进度。我们所有的筛查、大部分治疗以及分娩的许多指征都基于从孕周获得的这个主时间线。”

• Nichole Young-Lin，妇产科医生

在多样化临床环境中的性能评估

要使医疗AI系统在全球范围内安全扩展，必须证明其泛化能力——在引入新的临床环境时，即使面对不同的患者群体、临床工作流程和超声硬件变体，也能保持准确的诊断性能。

在本研究中，我们的原始AI模型仅对目标人群之一进行了最小程度的调整，随后在两个目标环境中进行了前瞻性测试：

• 西北医学中心：位于美国伊利诺伊州芝加哥市的都市高资源学术医疗中心。
• 雅卡兰达健康：位于肯尼亚内罗毕市的都市社区诊所网络。

该研究AI系统最初是在北卡罗来纳州和赞比亚使用Sonosite、GE和Butterfly Networks商业超声探头收集的超声数据上进行训练，随后与Clarius C3商业便携式经腹探头配对使用。所有这些地点在多个护理维度上存在差异，包括女性首次接受产前护理的时间、接受的常规超声检查次数以及妊娠年龄的常规估算方式。

为评估系统调优的效率，研究利用了来自芝加哥的120名参与者的小规模试点数据集（约占原始训练集的6%），以使模型适应新的探头硬件并扩展孕周预测范围至36周以上。为理解模型的泛化能力，研究未使用内罗毕站点的数据进行微调，将肯尼亚的临床验证严格作为独立的外部测试。为评估全面的实用性，研究还纳入了多胎妊娠案例，这对人类操作员和自动化系统都可能带来追踪和测量挑战。

根据image_width确定适当的宽度

对于移动图像，使用默认宽度

我们的盲扫模型在1,968名参与者（美国北卡罗来纳州和赞比亚）上进行训练，随后在来自伊利诺伊州芝加哥的120名参与者扫描数据上进行了微调。该模型随后在芝加哥（n=192）和内罗毕（n=193）进行了前瞻性测试，且未对内罗毕的数据进行微调。在两个场景中，该模型在确定孕周时均表现出与专家超声医生非劣效的性能，综合平均绝对误差为4.18天，与专家超声医生的标准临床程序（平均绝对误差4.48天）相比具有统计学意义。

关键发现：达到专家标准

我们将AI系统从盲扫超声中估算胎儿年龄的能力与基于公式的临床标准专家方法进行比较。这种专家方法依赖于专家超声医生定位胎儿的多个特定横截面以进行精确的生物测量，这是一个难以扩展的任务，需要多年培训且高度依赖操作者。

在评估16至36周妊娠的385名参与者的主要队列中，诊断研究展示了强大的AI系统结果：

• 临床非劣效准确性：在两个队列中，AI模型在估算孕周时达到平均绝对误差（MAE）4.18天，成功证明其在专家超声医生标准临床程序（MAE 4.48天）上的非劣效性。
• 跨场景泛化能力：在芝加哥，调整后的模型达到MAE 4.10天。在内罗毕，未进行本地优化的情况下，模型达到可比的MAE 4.27天。

AI系统的孕周误差（MAE 4.18天）在临床表现上与专家超声医生的生物测量（4.48天）非劣效，并且从芝加哥（4.10天）到内罗毕（4.27天）保持一致，其中模型未进行本地微调。

除了准确性，探索性指标还表明，该研究AI系统在复杂场景中表现出韧性。例如，在胎儿体重极端情况（高于第90百分位数）时，该模型的表现优于传统生物测量公式，展示了对胎儿体型变化的鲁棒性。

在前瞻性部署中的经验教训

除了突显通过AI扩大超声波检查可及性的巨大机会，这项前瞻性多中心研究还使我们能够主动观察并优化AI在实时临床环境中的行为。通过将系统直接部署到日常临床工作流程中，我们获得了有助于设计实际应用场景的实践经验。例如，我们观察到在连续患者之间保持设备充电时，可更换电池比插接式充电站更为重要。

这些研究还表明，此类AI系统的部署还需要与临床医生和患者建立深厚信任。最终实现这一目标的重要方式之一，是通过在应用中构建明确的安全保障措施，例如我们模型生成的模型置信度估计，用于拒绝低质量扫查并向前端临床用户传达模型的不确定性。

展望未来：通过AI扩大医疗可及性

这些研究结果表明，基于AI的系统可以分析由未经专门超声波培训的操作员获取的标准化“盲扫”图像。AI估算的胎儿年龄准确度可与当前专家操作员的标准护理水平以及更昂贵的传统推车式超声波机器相媲美。在多样化临床环境、硬件和变化人群之间展示技术通用性，标志着突出其扩大母婴健康关键能力可及性潜力的重要一步。

通过授权受过最少培训的社区卫生工作者执行可靠的超声波评估，这项研究展示了在资源匮乏地区为数百万人群扩大产前覆盖的潜力。研究这种可扩展技术的能力为更具韧性和可及性的医疗系统奠定了基础，确保每位母亲，无论身处何地，都有机会获得健康妊娠和安全分娩的机会。

这项床边研究代表了我们通过AI扩大医疗可及性更广泛愿景的潜在应用。从这项研究中获得的见解指导了我们下一代多模态医学智能研究的开发。通过我们的持续工作，我们致力于为开发社区和科学家提供他们需要的答案，以改进临床护理，使其对所有人来说都具有帮助性和可及性。

致谢

感谢Google Research、Jacaranda Health和西北大学费因伯格医学院的合著者：Chace Lee、Justin Krogue、Anneka Wickramanayake、Stacey Caron、Priscah Cheruiyot、Amber Watters、Alicia Martín、Tiya Tiyasirichokchai、Akib Uddin、Yun Liu、Patricia Strachan、Sunny Jansen、Alyssa Santi、Preeti Singh、Catherine Arguelles、Kenneth Hudson、David Melnick、Mahesh Vaidyanathan、Mozziyar Etemadi、Yossi Matias、Avinatan Hassidim、Greg Corrado、Shruthi Prabhakara、Daniel Golden、Ryan G. Gomes和Shravya Shetty。感谢Pi-Chuan Chang和Dale Webster对这项工作的审阅。

• 标签：

• 健康与生物科学

• 机器感知

其他相关文章

/

• 2026年10月16日 将AI代理扎根于生物现实：自主湿实验室的构建模块 一般科学 · 健康与生物科学 · 机器人技术

• 2026年10月14日 Research@ 2026：我们如何以10种方式放大人类创造力 一般科学 · 生成式AI · 健康与生物科学

• 2026年10月6日 解锁Earth AI的行星地理空间基础模型以促进全球公共卫生 Earth AI · 全球 · 健康与生物科学

×

❮

❯

比较AI模型与专家临床标准在多个群体中平均绝对误差的柱状图。

概述AI模型在多个全球临床站点上训练、微调和验证过程的流程图。