文献速递妇产影像儿科影像技术与安全US

人工智能驱动的胎儿肝脏回声纹理分析:预测新生儿胰岛素失衡的新前沿

AI-Driven Fetal Liver Echotexture Analysis: A New Frontier in Predicting Neonatal Insulin Imbalance.
PubMed 文献 · J Ultrasound Med · 2025-09-08

该诊断准确性研究分析37至42周妊娠胎儿肝脏超声图像,用5种卷积神经网络模型预测脐血C肽水平高于第75百分位。EfficientNet-B0综合表现最佳,敏感度86.5%、特异度82.1%、AUC 0.83。作者认为AI分析胎儿肝脏回声纹理有望无创预测新生儿C肽升高。

要点

  • EfficientNet-B0预测脐血C肽升高的敏感度86.5%、特异度82.1%、AUC 0.83,为5种模型中综合表现最佳。
  • ResNet-18敏感度最高(95.8%)、阴性预测值最高(94.4%),但特异度最低(71.6%)、AUC最低(0.63)。
  • 采集图像用腹围测量的胎儿腹部横切面,基础预设、不缩放、不使用卡尺,每胎平均8.7张图像。

核心结论

  • 基于AI的胎儿肝脏回声纹理超声分析可有效预测新生儿脐血C肽水平升高,作者认为这是一种有前景的无创检测新生儿胰岛素失衡的方法。

研究设计与样本

  • 诊断准确性研究,按STARD指南开展,在巴西Florianópolis的University Hospital(HU-UFSC)进行,为单中心研究。
  • 纳入325例妊娠(163例妊娠期糖尿病、162例血糖正常),分析2339张超声图像,排除606张质量不佳图像后保留1733张,平衡后最终数据集为958张图像。
  • 使用Siemens Acuson、Voluson 730和Philips EPIQ Elite设备,采集胎儿腹部横切面图像,以出生时脐静脉血C肽高于血糖正常组第75百分位为参考标准。
  • 训练与验证按80/20划分,训练集内部再按70/30划分,使用ResNet-18、ResNet-34、ResNet-50、EfficientNet-B0和EfficientNet-B7五种卷积神经网络。

关键影像表现/征象

  • 胎儿肝脏感兴趣区取横切面上最大组织区域,手动标注时避开脐静脉肝内段。
  • GDM组腹围高于第75百分位者约为非GDM组的3倍,大于胎龄儿发生率是GDM组的2倍;两组平均出生体重相似。
  • 呼吸窘迫25例、低血糖26例,多数发生在GDM组。

诊断标准与关键数值

  • 脐血C肽>1.6视为高于第75百分位,阈值依据血糖正常组构建的参考曲线确定。
  • EfficientNet-B0预测C肽升高的敏感度86.5%、特异度82.1%、阳性预测值83.0%、阴性预测值85.7%、准确率84.3%、AUC 0.83。
  • EfficientNet-B7敏感度89.4%、准确率84.8%、特异度79.3%、AUC 0.74。
  • ResNet-18敏感度95.8%、阴性预测值94.4%、特异度71.6%、AUC 0.63;ResNet-34准确率85.9%、敏感度91.7%、特异度80.0%、AUC 0.69;ResNet-50准确率78.0%、特异度63.2%、敏感度90.4%、AUC 0.75。
  • GDM组41.8%的新生儿C肽高于第75百分位。

临床应用与阅片要点

  • 作者认为EfficientNet-B0兼具较低假阳性与假阴性,可能特别适合诊断用途。
  • 作者认为EfficientNet-B7可能适用于优先保证敏感度的初筛场景,但假阳性增加可能限制其作为确定性诊断工具。
  • 作者认为ResNet-18可能更适合分诊应用,以确保不漏诊阳性病例优先于对假阳性的担忧。
  • 作者认为ResNet-34可望作为兼顾准确性与可靠性的临床场景的备选。

局限性

  • 研究在单一研究中心、由经验丰富的超声医师完成。
  • 作者指出需要更大规模的多中心研究来验证这些结果,以确认该AI方法的可推广性和适用性。
  • 作者指出未来研究应关注出生时胰岛素水平升高子代的长期结局。
全文中译12 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:J Ultrasound Med. 2025 Sep 8;45(2):301–12. doi: 10.1002/jum.70053

人工智能

ROC曲线下面积

体重指数

卷积神经网络

医学数字成像和通信

妊娠期糖尿病

非酒精性脂肪性肝病

新生儿重症监护病房

阴性预测值

口服葡萄糖耐量试验

阳性预测值

受试者工作特征

2型糖尿病

胎儿高胰岛素血症以胰岛素水平升高为特征,是一种可导致新生儿及长期代谢并发症(如肥胖、2型糖尿病(T2DM)和心血管疾病)的关键疾病状态。1 胎儿高胰岛素血症的主要原因是母体高血糖,尤其是在妊娠期糖尿病(GDM)等情况下,全球14–16%的妊娠受其影响。2 , 3

新兴研究表明,胎儿高胰岛素血症并不限于存在明显母体高血糖(如GDM)的妊娠。即使母体血糖水平未达到GDM的诊断标准,血糖的细微变化仍可影响胎儿胰岛素水平,提示更广泛的母体代谢因素可能调节胎儿胰岛素生成。4 此外,母体肥胖和脂质代谢异常也与新生儿胰岛素水平升高相关。5

目前用于评估胎儿代谢紊乱的诊断方法有限。传统方法,如母体血糖检测和超声成像,对检测胎儿细微的代谢失衡不够敏感。6

近期研究表明,超声所见的胎儿肝脏改变可能为慢性高血糖所致的代谢紊乱提供有价值的线索,慢性高血糖可促进肝糖原和脂质储存。7

新兴的图像处理技术能够检测肉眼不可见的细微组织变化。8 , 9 既往关于肺成熟度的研究已证实此类技术对新生儿呼吸窘迫的预测价值。10 , 11 鉴于糖尿病母亲所生婴儿肝脏存在大泡性脂肪变性的组织学证据,12 推测胎儿肝脏回声质地可作为糖脂代谢控制不良的标志物。为此,采用卷积神经网络(CNN)进行图像分析。CNN是一种深度学习算法,因其能够自动学习相关特征,是医学图像处理的理想选择。13 通过在大型胎儿肝脏图像数据集上进行训练,CNN模型能够检测提示代谢调节受损的回声质地模式。

本研究旨在通过将超声表现与脐血C肽(胎儿胰岛素分泌的标志物,不受母体血糖状态影响)进行关联,评估胎儿肝脏回声质地作为新生儿高胰岛素水平预测指标的价值。选择C肽是因为与胰岛素相比,其稳定性更高且不易受溶血影响。14

材料与方法

研究设计

这是一项诊断准确性研究,按照STARD指南开展。15 本研究分析了胎儿肝脏回声质地(通过人工智能评估)与新生儿胰岛素水平(以出生时脐带血C肽浓度表示)之间的关系。研究纳入2组足月孕妇:1组患GDM,另1组无GDM,研究在巴西弗洛里亚诺波利斯大学医院(HU‐UFSC)进行。

伦理批准

该研究获得了研究伦理委员会的批准(流程编号5964191),所有参与研究的女性均提供了书面知情同意,同意将其婴儿的产前图像用于未来研究。

样本与纳入/排除标准

2021年9月至2024年9月期间,在产科急诊因临产、引产或择期剖宫产入院的孕妇被邀请参与研究。随机样本分为2组:第1组为血糖正常的孕妇(对照组),第2组为妊娠期糖尿病(GDM)孕妇。GDM根据巴西糖尿病学会的官方指南定义为:妊娠早期空腹血糖水平≥92 mg/dL,或妊娠24周后75 g口服葡萄糖耐量试验(OGTT)结果异常。16

基于GDM估计患病率15%、17 2023年活产数1381例,并允许高达20%的失访率,计算得出样本量为161名参与者,误差范围为5%,置信水平为95%。纳入标准包括足月妊娠(≥37周)、参与者年龄≥18岁,以及通过知情同意同意参与。排除标准包括多胎妊娠、孕前糖尿病、孕龄<37周以及与GDM无关的合并症。

描述性变量

临床特征数据包括产妇年龄、种族、产次、孕龄和体重指数——BMI(按体重/身高2计算)。还调查了围产期和新生儿结局,包括分娩方式、首次剖宫产的需求、出生时状况(如大于胎龄儿、Apgar评分、呼吸窘迫、低血糖和新生儿重症监护病房(NICU)入住)。详细描述临床和人口学特征很重要,因为检测的诊断准确性可能因这些因素而异,从而影响评价指标。这一清晰的描述有助于读者评估该研究与其临床问题的相关性。15

超声

超声检查由经验丰富的医师使用Siemens Acuson、Voluson 730和Philips EPIQ Elite设备进行,测量了传统标志物(如双顶径、头围和腹围、股骨长度、估计胎儿体重)以及一项创新标志物——胎儿肝脏回声纹理。这一潜在新标志物通过每个胎儿平均8.7幅图像在胎儿腹部轴平面(该平面常用于测量腹围)进行评估,以评价胎儿肝脏回声纹理。使用基础预设,未应用后处理,未缩放,未使用卡尺。

数据集

超声图像最初以DICOM(医学数字成像和通信)格式保存在安全的医院云中,随后被下载并存储在一个专用文件夹中。使用Radiant®(一款DICOM查看器)18选择胎儿腹部图像,并按患者分别整理到文件夹中。随后在3D Slicer® 19中打开这些文件夹,由专家对胎儿肝脏进行标注,标注结果以NRRD格式保存为掩膜。肝脏标注为手动完成,包括在轴平面上识别出的最大面积组织,避开脐静脉的肝内部分,如图1A所示。其他结构(B,脐静脉肝内部分;C,主动脉;D,胃)在一项关于自动语义分割和目标检测的平行研究中一并标注,该研究的数据集也可获取。20

在此阶段,图像已完成匿名化处理。最初共纳入2339张超声图像及其各自的掩膜。在质量控制过程中,606张图像因存在卡尺标记、明显模糊或从DICOM转换为PNG格式时图像质量显著下降而被剔除。

经过此步骤后,保留了1733张高质量图像及其正确应用的分割掩膜。为获得平衡的数据集,从过度代表的类别中随机移除图像,直至正常与异常胎儿肝脏图像数量相等。最终用于分析的数据集包含958张图像,如图2所示。

通过前述流程获得的胎儿肝脏感兴趣区域,使用基于Python语言库实现的人工智能分类模型进行分析,这些模型是构建于PyTorch之上的深度学习框架,便于快速原型设计和高效模型训练。21 分析使用了成熟的CNN架构,包括ResNet和EfficientNet两种类型。在ResNet方面,使用了ResNet‐18、ResNet‐34和ResNet‐50。这些架构采用残差连接来解决梯度消失问题,使更深的网络能够更有效地从超声图像中提取复杂特征。22 在EfficientNet方面,使用了EfficientNet‐B0和EfficientNet‐B7。这些模型采用复合缩放方法,统一调整网络深度、宽度和分辨率,在保持计算效率的同时优化性能。23 所有模型均在相同的标注数据集上训练,以根据胎儿肝脏回声纹理的细微变化预测新生儿胰岛素水平升高。对于每个CNN模型,均加载了预训练权重。启用了混合精度训练以加快计算速度。学习率使用FastAI的学习率查找器自动确定。随后使用1-cycle策略对模型进行训练,最多1500个epoch,并采用权重衰减和梯度累积以稳定训练过程。基于验证损失采用早停法,并在训练过程中保存最佳模型。尽管关于本研究主题的现有文献非常稀少,但现有文献已足以证明深度学习是医学图像分析(包括超声图像)中一个值得关注的领域。24, 25 胎儿肝脏图像用于神经网络训练的处理步骤可概括于图3。

所用配置在所有模型中保持一致,仅模型特定细节有所不同。用于保存数据以供比较的函数在所有模型中完全相同。所有模型用于训练的数据集相同,并经过预处理以确保质量和平衡,包括系统性过滤以仅保留有效的胎儿肝脏图像,以及平衡类别以获得稳健的模型性能。训练集和验证集按80/20的比例划分;通过这种方式,模型在训练期间从未接触验证数据集。用于训练的80%进一步按70/30的比例在训练本身和验证之间划分,此操作在每个训练轮次中进行。每个模型架构均使用混合精度训练和数据增强进行训练和微调,以最大化预测准确性。为确保训练按预期进行并达到最大可能准确性,在整个过程中评估了准确性、Dice和精确率指标。模型使用1-cycle学习率策略进行训练,并实施早停和模型检查点以防止过拟合。

图1 胎儿腹围的传统超声轴位视图及肝脏标注。(A) 肝脏,(B) 脐静脉肝内段,(C) 主动脉,(D) 胃。这些结构在一项关于自动语义分割和目标检测的平行研究中被一起标注,该研究的数据集可获取。20 查看原图 ↗
图2 从325例足月胎儿腹部轴位视图获取胎儿肝脏超声图像的筛选流程流程图。 查看原图 ↗
图3 使用神经网络进行胎儿肝脏图像处理的概览。CNN,卷积神经网络;p,百分位数。图像来自研究数据集。 查看原图 ↗

C肽

分娩后,采集5至10 mL脐静脉血,使用ADVIA Centaur®系统测量C肽和葡萄糖水平。新生儿胰岛素水平通过C肽评估,在血糖正常组中高于第75百分位的值被认为异常。这些水平与胎儿肝脏回声纹理相关,后者使用人工智能进行计算分析评估。通过依赖客观的实验室变量(脐血C肽水平)和人工智能驱动的肝回声纹理评估,任何潜在偏倚均被最小化。

最后,所有方法学流程,展示了从图像采集到单个胎儿肝脏最终分类的完整工作流程,如图4所示。

图4 工作流程信息图,展示从图像采集到单个胎儿肝脏最终分类的完整过程。图标由SlideBox授权。 查看原图 ↗

统计分析

采用Shapiro–Wilk检验评估正态性。数值变量通过集中趋势和离散程度指标进行分析,分类变量通过绝对频率和相对频率进行分析。组间差异在适用时采用t检验、Pearson卡方检验和Fisher精确检验进行评估。诊断性能指标包括灵敏度、特异度、阳性预测值(PPV)、阴性预测值(NPV)和准确率,用于评估该检测正确识别真阳性和真阴性病例的能力及其总体诊断准确性。诊断准确性检测评估了将胎儿肝脏回声纹理与脐血C肽水平升高相关联的能力,脐血C肽水平是胎儿胰岛素分泌的标志物,独立于母体血糖状态。

结果

本研究共分析了来自325例不同妊娠(163例GDM和162例血糖正常妊娠)的2,339张超声图像。在按照质量标准的图像评估后,606张图像(25.9%)因文件转换问题被排除,最终共有1733张图像进入进一步分析,如图2所示。为在检测前平衡类别,删除了775个样本,最终数据集为958张图像。271名新生儿(83.4%)在出生时采集了脐血并分析了C肽。研究人群的基线特征见表1,纳入妊娠的围产期结局见表2。GDM组年龄略大于血糖正常组,其中超过半数经产妇,且与非GDM组相比BMI更高。血糖正常组分娩时平均GA高于GDM组。相比之下,两组平均出生体重相似,但GDM组AC高于第75百分位的频率接近3倍,LGA新生儿的发生率是后者的两倍。

呼吸窘迫发生25例,低血糖发生26例,主要见于GDM组。根据为血糖正常组构建的参考曲线,脐血C肽值>1.6被视为高于第75百分位。GDM组中41.8%的C肽水平>第75百分位。血糖水平遵循相同分布,GDM组更高。

5个CNN模型基于胎儿肝脏回声纹理预测脐带血胰岛素水平升高的性能总结于表3,并在图5和图6中展示。各CNN的混淆矩阵见图5,而表3呈现了相应的性能指标,包括灵敏度、特异度、准确率、PPV和NPV。各模型的受试者工作特征(ROC)曲线及曲线下面积(AUC)值见图6。

表1 纳入研究女性的临床特征 查看原表 ↗
表2 纳入研究新生儿的围产期和新生儿结局 查看原表 ↗
表3 CNN在325例单胎妊娠中通过胎儿肝脏超声检查识别新生儿脐血胰岛素水平升高的性能 查看原表 ↗
图5 5个卷积神经网络(CNN)模型的混淆矩阵。基于胎儿肝脏超声纹理预测脐带血胰岛素水平升高的5个CNN模型的混淆矩阵。每个矩阵显示了相应模型的真阳性(TP)、假阳性(FP)、真阴性(TN)和假阴性(FN)数量。 查看原图 ↗
图6 5种不同CNN基于胎儿肝脏回声纹理预测脐带血胰岛素水平升高的性能ROC曲线。ROC曲线展示了5个CNN模型利用胎儿肝脏回声纹理预测脐带血胰岛素浓度升高的性能。每条曲线代表模型区分高胰岛素水平与正常胰岛素水平的能力,并标出了相应的曲线下面积(AUC)值。 查看原图 ↗

讨论

目前用于筛查胎儿糖脂谱改变的参数不足以充分预测胰岛素水平升高的胎儿。既往研究已鼓励寻找其他反映胎儿代谢失代偿的非血糖标志物。26 , 27 人工智能在医学领域的贡献,尤其是在诊断医学中,目前正在不断增长。卷积神经网络(CNNs)已被用作辅助基于图像的肿瘤诊断的工具,例如乳腺、脑和结肠肿瘤,以及眼部和肺部病变 8 , 28 ,并用于预测临床事件,例如在胎儿医学中,胎儿肺回声纹理已与出生时呼吸窘迫相关联。10 , 11 胎儿高胰岛素血症会刺激糖原蓄积、增加脂质合成,并导致胰岛素敏感组织(包括肝组织)的不成比例生长。29 受影响的胎儿肝脏变得增生和肥大,这可以通过宏观 30 , 31 和超声(通过线性或体积测量)识别。7 , 32 我们的研究是在将胎儿肝脏成像与新生儿胰岛素水平相关联方面的开创性工作。通过利用人工智能评估胎儿肝脏回声纹理,我们的研究有可能显著改善母胎代谢风险的管理。本研究评估了5个CNNs基于胎儿肝脏回声纹理预测脐带血中胰岛素水平升高的诊断性能。比较分析包括EfficientNet‐B0、EfficientNet‐B7、ResNet‐18、ResNet‐34和ResNet‐50,使用敏感性、特异性、准确性、PPV、NPV和AUC等标准性能指标。在分析的模型中,EfficientNet‐B0实现了最均衡的性能,敏感性为86.5%,特异性为82.1%,准确性为84.3%,AUC为0.83。这些结果表明,EfficientNet‐B0在区分正常和升高胰岛素水平方面具有一致的能力,假阳性和假阴性率均较低。这一特征提示EfficientNet‐B0可能特别适合诊断用途,因为这两类误分类都可能产生临床后果。EfficientNet‐B7显示出略高的敏感性(89.4%)和准确性(84.8%),但代价是特异性降低(79.3%)和AUC较低(0.74)。虽然EfficientNet‐B7在优先考虑敏感性的临床场景中可能具有优势,例如初筛,但假阳性率增加可能限制其作为确定性诊断工具的效用。ResNet‐18表现出最高的敏感性(95.8%)和NPV(94.4%),最大限度地降低了假阴性的可能性。然而,它也显示出最低的特异性(71.6%)和AUC(0.63),表明其倾向于过度诊断且总体判别能力有限。因此,ResNet‐18可能更适合分诊应用,在这种情况下,确保不漏掉任何阳性病例比担心假阳性更重要。ResNet‐34实现了最高的总体准确性(85.9%)以及良好平衡的敏感性(91.7%)和特异性(80.0%)。尽管其AUC(0.69)低于EfficientNet‐B0,但该模型在所有指标上的一致性能表明其有潜力作为需要准确性和可靠性的临床环境的替代方案。相比之下,ResNet‐50显示出最低的准确性(78.0%)和特异性(63.2%),AUC为0.75。尽管敏感性较高(90.4%),但相对较高的假阳性率可能限制其在诊断精度至关重要的环境中的适用性。

我们的研究结果具有重要潜力,特别是对于超声显示代谢紊乱征象(如巨大儿、腹围增大和羊水过多)的血糖正常母亲所孕育的胎儿。这些指标可能提示新生儿高胰岛素水平风险升高,即使母亲未被诊断为妊娠期糖尿病。Mogensen及其同事近期强调了该主题的相关性,证明即使没有GDM,妊娠期葡萄糖浓度也与脐带血C肽水平及新生儿BMI呈正相关。这些发现表明,即使没有GDM特征性的母体血糖改变,胎儿高胰岛素血症及其潜在后果也可能发生。5 已知母体肥胖与GDM密切交织,两者均以母体高血糖、炎症、高胰岛素血症、高瘦素血症和血脂异常等代谢紊乱为特征,且其胎儿往往表现出较高的胰岛素水平。1 许多孕妇超声怀疑巨大儿、腹围增大和羊水过多,但由于其血糖谱看似正常,未就胎儿高胰岛素血症的风险获得适当咨询。妊娠期血糖水平未出现改变不应排除胎儿高胰岛素血症的风险,尤其是在超重母亲中。5 因此,AI驱动的胎儿肝脏回声纹理超声分析可提供一种有价值的无创工具,用于识别胰岛素水平升高风险增加的胎儿,无论母体血糖状态如何。我们的工具可提供客观数据点,帮助说服孕妇及其医疗保健提供者,即使血糖控制正常,胎儿仍可能存在胰岛素水平升高。胰岛素水平升高的潜在后果可证明妊娠期进行生活方式调整的必要性,最终改善产前保健。

尽管由经验丰富的超声医师在单一研究中心进行,但获取胎儿肝脏图像所使用的方法学简单且可重复。成像方案采用与获取腹围常用的相同胎儿肝脏切面,即胎儿腹部横切面。此外,我们的研究使用了3台不同的超声仪器,所有仪器均具有非常简单的预设要求(例如,不缩放或不使用卡尺),这增强了该检查在临床环境中推广的潜力。成像参数的这种简便性有助于该技术在不同中心和医疗环境中的可重复性,使其成为有前景的大规模采用工具。

AI在此背景下的应用为胎儿代谢风险检测开辟了重要机会,可促成及时、有针对性的围产期干预。这些干预可包括个性化新生儿随访和长期预防措施,旨在降低非酒精性脂肪性肝病(NAFLD)、糖尿病、肥胖和心血管疾病等疾病风险。26 通过早期识别这些风险,该技术可指导临床决策,帮助减轻与新生儿高胰岛素血症相关的长期代谢后果。26

展望未来,若在妊娠早期应用该技术,其影响可能大幅增强。早期检测超声及肝脏纹理模式的变化可实现预防性干预,促进最佳宫内健康。这可能降低未来代谢性疾病的风险,改善母婴长期结局并降低医疗费用。

然而,为验证这些有前景的结果,需要更大规模的多中心研究来确认这种基于人工智能(AI)方法的普遍性和适用性。更广泛的样本量将为AI模型基于胎儿肝脏纹理预测脐血胰岛素水平升高的有效性和准确性提供更强证据。

此外,未来研究应关注出生时胰岛素水平升高的子代长期结局。了解高C肽水平与代谢并发症风险之间的关系——尤其是在无妊娠期糖尿病(GDM)病史的情况下——至关重要,因为这将有助于识别日后发生2型糖尿病(T2DM)、心血管疾病和代谢功能障碍相关脂肪性肝病(NAFLD)等疾病风险较高的个体。

结论

基于AI的胎儿肝脏超声纹理分析准确预测了新生儿脐带血中C肽水平升高,为检测新生儿胰岛素调节异常提供了一种无创方法。在评估的5种卷积神经网络(CNN)架构中,EfficientNet-B0在关键指标上表现出最均衡的性能,表明其有潜力成为临床诊断使用的最佳模型。

引用

  1. Da Correggio KS, Santos LO, Muylaert Barroso FS, et al. AI-Driven Fetal Liver Echotexture Analysis: A New Frontier in Predicting Neonatal Insulin Imbalance. J Ultrasound Med. 2025. PMID: 40920364. doi:10.1002/jum.70053
  2. 全文:PMC12757759(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12757759/

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。