AI 輔助超音波：強化前線孕產照護，普及全球醫療可近性

世界衛生組織（WHO）估計，全球每年有超過 25 萬例與懷孕相關的可預防死亡。儘管產前超音波能改善結果並降低胎兒和孕產婦死亡率，全球三分之二的人口卻無法取得超音波等診斷性醫學影像。

目前支持孕產婦健康的醫療方法高度依賴專業臨床訓練，導致數百萬生活在資源匱乏地區的人們在整個懷孕期間都無法進行一次超音波檢查。我們看到一個機會，可以透過開發機器學習系統來解讀「盲掃」超音波，以解決這項實際需求。

這種掃描方式讓沒有專業超音波訓練的前線醫護人員，只需以標準化模式將低成本、便攜式超音波探頭滑過腹部，即可執行掃描。

由於許多地區面臨專家嚴重短缺的問題，且傳統超音波師的培訓既昂貴又需數年投入，因此讓這些醫護人員在最少訓練下進行評估，有望顯著擴大產前篩檢的覆蓋範圍。

將最少訓練要求與 AI 解讀結合，最終可能意味著成功開發出一種工具，能增加超音波產前評估的可近性，進而改善孕產婦健康照護的品質。

在《JAMA Network Open》發表的研究「AI 輔助盲掃超音波評估妊娠週數的泛化能力」中，我們評估了 AI 模型在不同臨床環境和硬體設備下，評估妊娠週數（懷孕進度）的有效泛化能力。

雖然我們之前的研究已驗證了模型在未曾見過的相同回溯性隊列患者上的表現，但這項新的前瞻性研究顯示，AI 系統在真實診所中，由新手操作員和不熟悉的超音波設備，僅需少量微調，即可在行動裝置上可靠地即時運行。

「妊娠週數基本上就是女性懷孕多久了。我們所有的篩檢、許多治療、許多分娩指徵都基於從妊娠週數獲得的這條主要時間線。」

婦產科醫師 Nichole Young-Lin

為了讓醫療 AI 系統能在全球安全擴展，它必須展現泛化能力，也就是在引入新的臨床環境時，即使面對與模型訓練時不同的患者群體、臨床工作流程和超音波硬體變異，仍能保持準確的診斷性能。

在這項研究中，我們的原始 AI 模型僅在其中一個目標人群上進行了少量微調，然後在前瞻性地在兩個目標環境中進行了測試：

Northwestern Medicine：位於美國伊利諾州芝加哥的城市高資源學術醫療中心。

Jacaranda Health：位於肯亞奈洛比的城市社區診所網絡。

該研究 AI 系統最初使用 Sonosite、GE 和 Butterfly Networks 的商用超音波探頭，在北卡羅來納州和尚比亞收集的超音波數據上進行訓練，並與 Clarius C3 這款商用手持式經腹探頭搭配使用。所有這些地點在多個照護維度上都有所不同，包括女性首次接受產前照護的時間、她們接受的常規超音波檢查次數，以及妊娠週數通常的測定方式。

為了評估系統調校的效率，研究利用了來自芝加哥的 120 名參與者（約佔原始訓練集的 6%）的小型試點數據集，以使模型適應新的探頭硬體，並將妊娠週數預測範圍擴展到 36 週以上。為了了解泛化能力，奈洛比的數據未用於微調，以確保肯亞的臨床驗證是一個嚴格獨立的外部測試。為了評估綜合實用性，研究還包括了多胎妊娠，這可能對人類操作員和自動化系統都帶來追蹤和測量挑戰。

我們將 AI 系統從盲掃超音波估計胎兒週數的能力，與臨床標準專家方法中基於公式的估計進行了比較。

這種專家方法依賴於專業超音波師定位胎兒的多個特定橫截面，以進行精確的生物測量。這是一項難以規模化的任務，需要數年訓練且高度依賴操作員。

在評估一個包含 385 名懷孕 16 至 36 週參與者的主要隊列時，這項診斷研究顯示了 AI 系統的強勁結果：

臨床上非劣性準確度：在兩個隊列中，AI 模型在估計妊娠週數方面的平均絕對誤差（MAE）為 4.18 天，成功證明其表現不劣於專業超音波師執行的標準臨床程序，後者的 MAE 為 4.48 天。

跨環境泛化能力：在芝加哥，經過調整的模型實現了 4.10 天的 MAE。在奈洛比，即使沒有進行任何本地優化，模型也實現了可比較的 4.27 天 MAE。

除了準確性之外，探索性指標顯示該研究 AI 系統在複雜情境中具有韌性。

例如，在胎兒體重極端（高於 90 百分位）的情況下，該模型超越了傳統的生物測量公式，展現了對胎兒大小變化的穩健性。

除了突顯透過 AI 擴大超音波可近性的巨大機會外，這項前瞻性多中心研究也讓我們能夠積極觀察和優化 AI 在實際臨床環境中的行為。透過將我們的系統直接部署到日常臨床工作流程中，我們獲得了有助於設計實際應用的實用見解。例如，我們觀察到可更換電池比插電式充電座更重要，能確保設備在連續患者之間保持充電。

這些研究也證明，部署像這樣的 AI 系統還需要與臨床醫生和患者建立深厚的信任。

最終實現這一目標的一個重要方法，是在應用程式中建立明確的保障措施，例如由我們的模型產生的模型置信度估計，以拒絕品質不佳的掃描並向臨床醫生用戶傳達模型的不確定性。

這些研究結果表明，基於 AI 的系統可以分析由沒有專業超音波訓練的操作員獲取的標準化「盲掃」影像。

AI 估計的胎兒週數準確度與專業操作員和更昂貴的傳統推車式超音波機的當前標準照護相當。證明其在不同臨床環境、硬體和不斷變化的族群中具有技術泛化能力，是突顯其擴大孕產婦健康這項關鍵能力可近性的一個重要步驟。

透過賦能受過最少訓練的社區醫護人員執行可靠的超音波評估，這項研究證明了為資源不足地區的數百萬人擴大產前照護覆蓋範圍的潛力。

研究這項可擴展技術的能力，為更具韌性、更易取得的醫療保健系統奠定了基礎，確保每位母親，無論身在何處，都有機會擁有健康的懷孕和安全的生產。

這項即時照護研究代表了我們透過 AI 擴大醫療保健可近性的更廣泛願景的潛在應用。

從這項研究中獲得的見解，為我們下一代多模態醫療智慧研究的發展提供了資訊。

透過我們持續的工作，我們努力為開發社群和科學家提供他們所需的答案，以改善臨床照護並使其對所有人都有幫助且易於取得。

致謝

感謝 Google Research、Jacaranda Health 和 Northwestern University Feinberg School of Medicine 的共同作者：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。

感謝 Pi-Chuan Chang 和 Dale Webster 審閱這項工作。