文献速递妇产影像US

基于OxNNet自动分割的早孕期胎盘体积参考图表

Reference charts for first-trimester placental volume derived using OxNNet.
PubMed 文献 · Ultrasound Obstet Gynecol · 2025-08-01

该观察性队列研究纳入2547例健康单胎妊娠,于孕11+2至14+1周行三维胎盘超声,用OxNNet自动分割计算早孕期胎盘体积,并以头臀长和孕龄分别建立LMS参考百分位图表,模型校准良好、预测与实测百分位偏差≤0.5个百分点。

要点

  • 早孕期胎盘体积随孕龄呈正偏态分布,不同孕龄段分布形态有变化。
  • 以头臀长预测时LMS-Sinh-Arcsinh分布AIC最低(22 134.33)。
  • 以孕龄预测时LMS-Box-Cox Cole and Green original分布AIC最低(22 135.04)。

核心结论

  • 研究基于健康妊娠建立了以头臀长和孕龄为预测变量的早孕期胎盘体积参考范围。
  • LMS法模型拟合最佳,校准优良,预测与实测百分位偏差≤0.5个百分点。
  • 作者认为该参考范围有助于将早孕期胎盘体积作为不良妊娠结局的潜在生物标志物进行探索,并为未来临床应用研究奠定基础。

研究设计与样本

  • 研究为观察性队列研究(First Trimester Placental Ultrasound Study,FirstPLUS),于2022年3月至11月在伦敦国王学院医院Harris Birthright胎儿医学研究中心纳入无选择孕妇。
  • 最终分析队列2547例单胎妊娠,于孕11+2至14+1周行三维胎盘超声,使用GE Voluson E6或E8超声仪配RAB4-8-D三维/四维凸阵腹部探头(4–8.5 MHz)。
  • 胎盘分割与体积计算使用基于全卷积神经网络的OxNNet工具包,训练真值来自>1000例已分割的三维胎盘超声扫描。
  • 采用分位数回归与LMS法建模,以头臀长(mm)和孕龄(天)为预测变量,用AIC比较模型拟合。
  • 参考标准为健康妊娠结局:排除胎儿生长受限、母体糖尿病、妊娠期高血压疾病、抗磷脂综合征、系统性红斑狼疮、早产、新生儿入院、重大胎儿异常等。

关键影像表现/征象

  • 早孕期胎盘体积整体呈正偏态分布,不同孕龄时间点分布形态存在变化。
  • 按孕龄分层箱线图和分面直方图显示分布随孕龄变化,但孕龄两端因病例数少解释受限。
  • OxNNet分割前行三阶段质量控制,包括图像完整性评估、Dice相似系数比较及按孕龄分层的四分位距法离群值审查。

诊断标准与关键数值

  • 以头臀长预测时,分位数回归最低AIC为22 429.98(四阶多项式+Barrodale and Roberts法),LMS-SHASH分布AIC为22 134.33。
  • 以孕龄预测时,分位数回归最低AIC为22 434.15(四阶多项式+Barrodale and Roberts法),LMS-BCCGo分布AIC为22 135.04。
  • 百分位图表评估覆盖第1、3、10、25、50、75、90、97、99百分位,两个模型预测与实测百分位偏差均≤0.5个百分点。
  • 两个模型所得Z分数直方图与Q-Q图均呈正态分布。
  • 样本量估算:以第2.5和97.5百分位标准误0.05为目标需1169例;实际2547例对应标准误0.034。

临床应用与阅片要点

  • 作者推荐在可能情况下优先使用基于头臀长的模型,因其建模较基于孕龄的模型更精确,后者按孕龄天数分组可能引入人为聚集。
  • 基于孕龄的模型为孕后期测量胎盘体积的情况提供灵活性,可用于临床和研究场景。
  • 两个模型在比较实测与预测胎盘体积百分位时表现相当。

局限性

  • 孕龄两端的解释受病例数少限制。
  • 第三阶段质量控制排除的15例中子痫前期病史更常见(排除组2/15(13.3%)vs 研究队列40/2547(1.6%),P < 0.001),作者认为可能系小样本量(n = 15)所致统计假象。
  • 基于孕龄的模型按孕龄天数分组可能引入人为聚集。
全文中译23 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Ultrasound Obstet Gynecol. 2025 Aug 1;66(3):337–46. doi: 10.1002/uog.29300

引言

超声衍生的早孕期胎盘体积(FTPV)已成为若干重要妊娠相关疾病的一个有前景的生物标志物。分娩时胎盘大小与出生体重之间的正相关关系已充分确立,越来越多的证据表明低FTPV与随后胎儿生长受限(FGR)标志物之间存在关联1, 2, 3, 4, 5。此外,多项研究已证明低FTPV与子痫前期的发生之间存在关联1, 2, 6, 7, 8,并且在母亲后来发生妊娠期糖尿病的妊娠中,FTPV也可能存在可观察到的差异9。

计算FTPV,首先必须从三维(3D)超声图像中分割胎盘。手动和半自动分割方法依赖于操作者且耗时,对大规模研究和临床应用构成了重大障碍10。然而,人工智能的进步在OxNNet工具包中提供了一种有前景的解决方案,该工具包是一种基于全卷积神经网络的软件方案,由英国牛津牛津大学开发,能够实现胎盘体积计算的完全自动化。OxNNet工具包的开发、结构和性能此前已有描述11, 12。这一创新性软件方案使得大规模进行胎盘分割和体积计算成为可行。

目前,对早孕期正常胎盘体积的构成了解有限,这构成了全面理解其临床意义的重大障碍。我们的目标是基于健康妊娠中观察到的值,建立OxNNet衍生FTPV的综合参考范围。该参考范围应作为未来研究的基础,并促进将FTPV作为产前保健中潜在筛查生物标志物的探索。

方法

研究设计与 setting

本研究使用了早孕期胎盘超声(FirstPLUS)研究收集的数据,该研究是一项纵向观察性队列研究,研究对象为2022年3月至11月期间在英国伦敦国王学院医院NHS基金会信托Harris Birthright胎儿医学研究中心接受早孕期筛查的未经选择的女性。参与者在妊娠11+2至14+1周之间进行常规超声评估时被接触。除常规护理外,还进行了胎盘3D超声成像。在单次研究访视后,提供常规产科护理。随后的妊娠结局从电子患者记录中提取。本研究按照加强流行病学观察性研究报告(STROBE)指南进行13。

FirstPLUS研究的伦理批准由West Midlands – Solihull研究伦理委员会于2022年3月8日授予(编号:22/WM/0039)。所有参与者均提供了知情书面同意参加研究,并可自由在任何阶段停止参与。

人群

邀请接受孕早期联合筛查的女性参与研究。那些愿意且能够签署知情同意书参与研究的女性被纳入,前提是符合以下标准:单胎妊娠;年龄≥18岁;在妊娠11+2至14+1周之间接受孕早期联合筛查;能够理解书面或口头英语,或能够获得适当的翻译方式;且研究者认为不存在风险、不处于应激状态或参与研究活动的能力不受限。如果符合以下任何一条标准,则排除:扫描时发现多胎妊娠(一个以上存活胎儿);无存活妊娠或存活状态不确定(未检测到心跳);扫描时发现妊娠伴有重大缺陷;产前或产后检测 subsequently 发现染色体异常的妊娠;以及无法完成联合筛查的妊娠(例如无法获得颈项透明层测量值)。

为构建参考图表,对FirstPLUS队列的一个亚组进行了分析。目的是分析一组胎盘体积不太可能受病理影响的妊娠,从而生成规范性参考值(反映健康人群中观察到的数值范围的参考值),而非描述性参考值(反映包括病理病例在内的整个人群的参考值)。换言之,我们旨在建立表面健康妊娠中孕早期胎盘体积(FTPV)的正常范围。因此,我们从该分析中排除了符合以下任何一条标准的病例:流产、死产、终止妊娠、新生儿死亡、早产、研究扫描后发现的重大胎儿异常、胎儿生长受限(FGR)的证据、新生儿病房入住、母体糖尿病(孕前或妊娠期)、母体高血压疾病(慢性高血压、妊娠期高血压或子痫前期)、抗磷脂综合征或系统性红斑狼疮。结局数据不完整的病例也被排除。仅因小于胎龄儿或大于胎龄儿出生体重不构成排除标准。

定义

胎儿生长受限(FGR)定义为出生体重<第3百分位,或出生体重<第10百分位且最终超声扫描时确认存在多普勒异常。多普勒异常定义为根据Ciobanu等人14的参考范围,在分娩前最终超声评估时脐动脉搏动指数>第95百分位或脑胎盘比<第5百分位。出生体重百分位使用胎儿医学基金会(FMF)人群出生体重图表15计算。子痫前期和妊娠期高血压根据美国妇产科医师学会指南16定义。妊娠期糖尿病根据国家健康与护理卓越研究所17推荐的时间安排和诊断阈值,使用口服葡萄糖耐量试验诊断。早产定义为妊娠<37+0周分娩。死产定义为妊娠≥24+0周分娩且无生命迹象。流产定义为超声确认的宫内胎儿死亡,或妊娠≤23+6周分娩且无生命迹象。

评估孕龄

妊娠根据头臀长(CRL)测量值确定孕龄18,辅助生殖病例除外,因其胚胎移植日期已知。

超声评估

超声扫描使用GE Voluson™ E6或E8超声仪(GE Healthcare,Zipf,奥地利)进行,配备RAB4‐8‐D三维/四维曲面阵列腹部探头(4–8.5 MHz),由接受过三维胎儿胎盘体积(3D‐FTPV)采集技术培训的胎儿医学基金会(FMF)胎儿医学研究员操作。超声仪事先配置好正确设置,并保存为预设模式以确保一致性(所用设置见表S1)。确认妊娠存活,并按常规方案获取头臀长和颈项透明层测量值。随后进行胎盘超声扫描,首先确定整个胎盘三维成像的理想探头位置,通常为靠近胎盘中心的横切面。调整灰阶增益设置以确保在视觉评估时胎盘能与周围组织区分。使用预设机器设置采集静态灰阶容积,并审查该容积以确认其包含整个胎盘。如有任何部分缺失或处于大面积阴影中,则调整角度或重新放置探头,并重复采集以获得完整的胎盘容积。

图像处理

图像以.vol文件格式直接从超声仪下载,未经小波压缩,由英国牛津大学纳菲尔德妇女与生殖健康系胎盘影像研究组进行回顾性分析。使用OxNNet工具包对胎盘进行分割并计算胎盘体积,方法如前所述11, 12。简言之,OxNNet使用全卷积神经网络,在超过1000例已分割的三维超声胎盘扫描金标准上训练,以实现全自动胎盘分割。胎盘图像经过三阶段质量控制(QC)流程,详述如下。

质量控制第1阶段

在胎盘分割之前,所有图像由经过培训的研究超声医师进行回顾性审查,评估胎盘采集的完整性。如胎盘不完整、使用了错误的机器设置、存在过多能量多普勒闪烁伪影(超过五次大闪烁)或图像质量太差无法肉眼勾画胎盘,则排除该图像。

质量控制第2阶段

在QC第二阶段,使用当前版本的OxNNet和原始OxNNet原型分别进行胎盘和羊水分割。使用Dice相似系数比较各方法获得的分割结果。一致性差的病例由两位作者(S.M.、M.So.)手动审查,对视觉上无法确定胎盘轮廓的病例(如整体图像质量极差)予以排除。图像分三轮确定需审查的病例:(1)胎盘分割一致性< 60%,不论羊水分割一致性如何;(2)胎盘分割一致性< 75%且羊水分割一致性< 40%;(3)羊水分割一致性< 40%,不论胎盘分割一致性如何。

质量控制第3阶段

在质量控制的第三阶段,根据四分位距(IQR)法对每个妊娠日识别离群值。对于妊娠日,将数据取子集并计算胎盘体积测量的第一四分位数(Q1)和第三四分位数(Q3)。体积测量值低于Q1 − 1.5 × IQR或高于Q3 + 1.5 × IQR的观测值被视为离群值。所有识别出的离群值均由S.M.和M.So.手动审查,以评估图像质量和分割准确性。如果图像质量不足以可靠地确定正确的胎盘轮廓,则排除离群值。

统计分析

统计分析使用R版本4.3.1和RStudio版本2024.09.0+375(R Foundation for Statistical Computing Platform,维也纳,奥地利)进行。

样本量估算

FirstPLUS研究的样本量是预先确定的,以确保有足够的数据用于构建多变量预测模型,同时考虑到 attrition 和失访。最小病例数根据Riley等人19的方法计算,使用R中的pmsampsize版本1.1.3包。假设结局罕见(发生率2%),一个包含20个参数且C统计量为0.9的模型,2171例足以开发多变量预测模型。对于C统计量为0.8,则需要2992例。因此,务实地选择了4000例的招募目标。

为确定可用病例(排除后)是否足以构建参考图表,我们进行了计算以评估数据在估算特定百分位数(第2.5和第97.5百分位数)时的精确度,使用以下公式20:

在该公式中,SE p 是第p百分位数的标准误,SD是标准差,Z p 是对应于第p百分位数的Z分数,n是样本量。对于第2.5和第97.5百分位数处0.05的目标SE(在标准化Box–Cox变换以确保高斯分布后计算的SD为1),估计样本量1169足以满足要求。基于排除后的实际样本量(n = 2547)和计算的SD进行的计算返回SE为0.034,表明样本量足以构建百分位数图表。变换方法的选择使用R中的bestNormalize包确定,并且为本计算的目的,我们假设方差随孕龄无变化。

参考图表构建模型

使用直方图和分位数–分位数(Q–Q)图对足月胎盘体积(FTPV)的分布进行视觉评估。还构建了箱线图和分面直方图以评估分布随孕龄变化的情况。因此,我们选择探索能够适应分布随孕龄变化的灵活统计方法,包括分位数回归(QR)21和lambda-mu-sigma(LMS)方法22,而非经典的均数和SD方法23。

QR使用R中的quantreg包进行。分析涉及拟合多种模型,包括线性模型、多项式模型以及使用自然样条和B样条的模型。Barrodale和Roberts(默认线性规划)方法以及惩罚lasso回归方法均被应用于估计分位数。

使用R语言gamlss包中的lms函数进行LMS建模,模型采用默认的Rigby Stasinopoulos算法拟合。评估了一系列位置、尺度和形状的广义加性模型(GAMLSS)分布族,以确定数据的最佳拟合分布。所评估的分布族包括Box–Cox Cole and Green原始分布(BCCGo)、Box–Cox幂指数分布(BCPEo)、Box–Cox t分布扩展型(BCTEo)、Box–Cox t分布(BCT)、偏斜指数幂分布(SEP1、SEP2、SEP3、SEP4)、双曲正弦–反双曲正弦分布(SHASH、SHASHo)、Johnson's SU分布(JSU)、广义t分布(GT)、对数正态分布(LOGNO)以及偏斜t分布类型1至5(ST1、ST2、ST3、ST4、ST5)。循环次数设为1000,k值设为2,其余所有参数均设为默认值。

FTPV的模型分别以头臀长(CRL,mm)和孕龄(天)作为预测变量构建。

模型评估

更复杂的模型可能获得更好的拟合,但以泛化能力为代价(过拟合)。选择赤池信息准则(AIC)作为模型比较方法,因为它提供了一种评估拟合优度的手段,同时对复杂性进行惩罚24。较低的AIC值表明拟合与简约性之间取得了更好的平衡。构建了包含百分位曲线和原始数据图的图表,以确认所有潜在模型的拟合优度。还构建了Z分数的直方图和Q–Q图。

排除病例分析

对主要研究队列与第三阶段质量控制中排除的病例进行了比较。比较了各组的基线特征,连续变量采用双侧Wilcoxon秩和检验计算P值,离散变量采用Fisher精确检验计算P值。

结果

排除后,最终队列包括2547例。提供了展示该队列衍生过程的流程图(图1),并提供了队列特征(表1)。

表1 纳入研究队列的2547例单胎妊娠的特征 查看原表 ↗
图1 研究队列筛选流程图。APS,抗磷脂综合征;FirstPLUS,早孕期胎盘超声;PlGF,胎盘生长因子;QC,质量控制;SLE,系统性红斑狼疮。 查看原图 ↗

胎盘体积分布

对所有孕龄FTPV的直方图(图2)和Q–Q图(图3)进行视觉评估,显示呈正偏态分布。此外,按孕龄分组的箱线图(图4)和分面直方图(图S1)的视觉评估表明,在研究窗口内不同时间点FTPV的分布存在差异,尽管在孕龄极值处由于病例数较少,这些结果的解读受到限制。

图2 研究队列中早孕期胎盘体积的直方图。 查看原图 ↗
图3 研究队列中早孕期胎盘体积的分位数–分位数图。 查看原图 ↗
图4 按孕龄分组的早孕期胎盘体积箱线图。箱体内横线为中位数和四分位距(IQR),须为1.5×IQR,圆圈为离群值。 查看原图 ↗

模型比较

表2总结了QR模型的AIC统计量。在由CRL预测FTPV时,AIC值最低(22 429.98)的QR模型采用了四阶多项式方法并结合Barrodale和Roberts方法。相比之下,使用SHASH分布的LMS方法获得了显著更低的AIC值,为22 134.33。

在由孕龄预测FTPV时,AIC值最低(22 434.15)的QR模型采用了四阶多项式方法并结合Barrodale和Roberts方法。然而,基于BCCGo分布的LMS方法产生了最低的AIC值,为22 135.04。

表2 分位数回归模型预测孕早期胎盘体积(基于头臀长(CRL)或孕龄(GA))的赤池信息准则(AIC)评估 查看原表 ↗

最终模型

由于其AIC值较低,选择由LMS方法生成的模型来构建百分位图表。由此获得的按CRL和孕龄分列的FTPV百分位图表分别见图5a和5b。

模型摘要(包括系数)见附录S1。两个模型 also 以R文件形式提供(附录S2),计算个体百分位的R脚本也已提供(附录S3)。

图5 孕早期胎盘体积参考图表,分别以(a)头臀长和(b)孕龄为建模变量。实线,第50百分位;灰色带,第25–75百分位;虚线,第10和第90百分位;点线,第3和第97百分位。 查看原图 ↗

百分位图表的评估

表3提供了两个模型在一系列目标百分位(第1、3、10、25、50、75、90、97和第99百分位)上预测百分位与观察百分位的比较。两个模型均显示,由校准预测的百分位与样本中观察到的百分位之间高度一致,仅有轻微偏差。在观察百分位与预测百分位的比较方面,两个模型的性能相似,在所有评估的目标百分位上偏差≤0.5个百分点。在极端值处也观察到类似的密切一致模式。

用每个最终模型计算的Z分数以直方图和Q–Q图呈现(图6),显示两种情况均符合预期的正态分布。

表3 研究队列中观察到的孕早期胎盘体积各百分位病例百分比与基于头臀长(CRL)或孕龄(GA)的最终lambda‐mu‐sigma模型预测值的比较 查看原表 ↗
图6 直方图(a、c)和分位数–分位数图(b、d),显示按头臀长模型(a、b)和孕龄模型(c、d)计算的孕早期胎盘体积Z分数分布。 查看原图 ↗

排除病例分析

研究队列与第三阶段QC中排除的15例病例之间人口学特征的比较见表S2。除一项比较外,所有比较中组间均未观察到统计学显著差异。例外的是子痫前期病史,其在排除病例中更为常见(2/15(13.3%)),相比之下研究队列中为(40/2547(1.6%))(P < 0.001)。

讨论

本研究基于一个大型健康妊娠队列,提出了以头臀长(CRL)和孕龄为建模变量的胎儿胎盘体积(FTPV)参考范围。我们使用先进的机器学习方法,特别是OxNNet工具包,进行全自动胎盘分割和体积计算。我们建议尽可能使用基于CRL的模型,因为与基于孕龄的模型相比,它提供了更精确的建模;基于孕龄的模型按以天为单位的孕龄对胎盘体积进行分组,可能引入人为聚类。然而,在比较观察值与预测FTPV百分位数时,两种模型表现出等效的性能。基于孕龄的模型为在妊娠较晚期测量胎盘体积的情况提供了灵活性,使其适用于临床和研究应用。在第三阶段质量控制中被排除的病例中子痫前期的患病率较高,这很可能是由于样本量较小(n = 15)导致的统计学假象。这不太可能影响胎盘体积百分位数图表的构建,因为整体队列仍具有代表性。

我们的研究并非首次生成FTPV参考范围。既往研究,如Meengeonthong等25、Trilla Solà等26和Guyomard等27的研究,曾尝试建立类似的参考范围。Meengeonthong等使用236例低风险妊娠队列构建了FTPV参考图表,依赖虚拟器官计算机辅助分析(VOCAL™)软件(GE Healthcare)进行胎盘分割和体积计算25。其方法采用均值和标准差方法构建参考范围,以CRL为变量对FTPV进行建模。虽然提供了系数,但队列特征未清晰描述,因此难以评估其参考范围对更广泛人群的适用性。Guyomard等开展了一项涉及128例的可行性研究,同样使用VOCAL进行体积计算27。采用基于均值和标准差的方法以CRL为变量对FTPV进行建模,但标准差被作为常数处理,这可能限制模型准确性,因为分布形状随孕龄变化(本文提及的三项研究均证实了这一发现)。Trilla Solà等发表了分别根据CRL和GA对应的第5、10、50、90和95百分位数的胎盘体积图表26。这些数据来源于1142例无并发症妊娠队列,分割为手动执行,迄今为止一直是参考标准。然而,从原始测量值计算Z评分或百分位数所需的系数未提供,限制了临床实用性。

相比之下,我们的研究得益于更大的样本量,是既往最大研究样本量的两倍以上26,使得在各孕龄间估计FTPV分布时具有更高的精确度。这提高了百分位数计算的可靠性,特别是对于极端百分位数,如第5和第95百分位数。更大的样本还确保了对亚组的更好代表性,提高了图表的可推广性。凭借更多的数据点,离群值的影响被最小化,从而产生更稳健的百分位数图表,更好地反映真实人群分布。

与以往发表的参考范围不同,我们使用更先进的LMS方法对FTPV进行建模,考虑到其复杂的非正态分布,该分布随孕龄变化。与较简单的均值和标准差方法相比,这种方法提供了更大的灵活性。尽管LMS方法存在过拟合的风险,但我们通过目视检查曲线并使用AIC评估模型拟合来减轻这一风险,确保稳健性而不过度复杂。

我们研究的一个关键优势是使用了OxNNet工具包。全自动胎盘分割和体积计算的可用性促进了比以往使用手动胎盘分割参考标准所能实现的更大数据集的创建。OxNNet工具包相比VOCAL方法也具有显著优势,后者依赖于几何假设,可能无法准确代表胎盘的不规则形状,尤其是在早孕期28。已有研究表明,早孕期胎盘的形状可能变化很大29,这可能使手动和几何分割方法在体积估计中容易出错。

另一个优势是对胎盘成像和分割均应用了严格的质量控制(QC),确保我们的模型基于最准确的胎盘体积评估。为了使FTPV成为可靠的临床标志物,保持高图像质量至关重要。为支持这一点,我们正在OxNNet工具包内开发集成的QC功能,使图像采集过程中能够实现自动化、实时QC。这将使超声医师能够获得即时反馈,并在出现图像不完整或显著伪影等问题时重复扫描,从而提高临床实践中FTPV测量的可靠性。

然而,有一些局限性需要考虑。尽管我们的队列很大,但在孕龄极端值处的病例相对较少,使得在这些时间点解释分布更加困难。纳入更多早孕期更早和更晚孕龄的数据将提高模型的稳健性。此外,我们的研究基于在一个英国单中心接受早孕期联合筛查的特定人群,这限制了我们研究结果对具有不同人口学特征的其他人群的普遍适用性。需要在更多样化的队列中进行进一步研究。尽管我们排除了已知胎儿或母体病理的病例,但未诊断或亚临床状况仍可能影响胎盘体积,突出需要进一步研究探讨FTPV与妊娠结局之间的关系。胎盘位置和子宫肌瘤不影响分割质量,但这将受益于进一步研究。还应评估OxNNet工具包在不同超声机器上的性能。另一个局限性是LMS方法相比传统均值和标准差方法的复杂性。尽管LMS方法对胎盘体积分布提供了更准确的建模,但其应用需要更高水平的数学专业知识。为促进更广泛的采用,我们已在补充材料中提供了用于百分位计算的模型和R脚本,确保其他研究人员能够复制和应用我们的发现。

总之,本研究在一个大型健康妊娠队列中,基于头臀长(CRL)和孕龄定义了早孕期胎盘体积(FTPV)的参考范围。使用人工智能软件进行自动化胎盘分割,我们建立了稳健、可重复的FTPV参考范围,可供临床和研究使用。首选基于CRL的模型,但当CRL不可用时,基于孕龄的模型可能有用。本研究为未来关于FTPV与妊娠结局的研究奠定了基础。

支持信息

表S1 研究中使用的超声机器设置

表S2 研究队列与第三阶段质量控制中排除的15例病例的人口学特征比较

图S1 妊娠每一天早孕期胎盘体积的分面直方图。

附录S1 基于头臀长或孕龄预测早孕期胎盘体积的模型摘要

附录S2 包含基于头臀长或孕龄进行百分位数计算模型的RData文件

附录S3 包含执行百分位数计算相关脚本的R文件

引用

  1. Mathewlynn S, Starck LN, Yin Y, et al. Reference charts for first-trimester placental volume derived using OxNNet. Ultrasound Obstet Gynecol. 2025. PMID: 40746163. doi:10.1002/uog.29300
  2. 全文:PMC12401500(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12401500/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。