孕早期胎盘三维单血管血流体积参考范围
本研究基于2547例健康妊娠的孕早期三维能量多普勒数据,使用OxNNet工具自动分割胎盘并计算胎盘内五个位置的3D单血管血流体积(3D-svFMBV),采用LMS法构建随孕周变化的参考范围。结果显示3D-svFMBV呈正偏态分布,LMS模型拟合良好,预测与实测百分位数高度一致。
要点
- 3D-svFMBV五个位置的值均呈正偏态分布,其中3D-svFMBV4偏态最明显
- LMS建模优于分位数回归,多数位置采用BCPEo分布,3D-svFMBV2和4分别用SEP3和SEP1
- 该参考范围不宜单独用于二分类判断正常或异常,应纳入多变量预测模型使用
核心结论
- 本研究建立了孕早期胎盘五个位置的3D-svFMBV参考范围,基于2547例健康妊娠
- 3D-svFMBV呈正偏态分布,LMS模型拟合优于分位数回归
- 预测与实测百分位数在第1至第99百分位数间均高度一致
研究设计与样本
- 纵向观察性队列研究,数据来自FirstPLUS研究的2547例健康妊娠
- 单中心研究,2022年3月至11月在伦敦国王学院医院进行
- 使用GE Voluson E6或E8超声设备,RAB4-8-D三维容积探头,孕11+2至14+1周采集
- 采用OxNNet卷积神经网络进行自动胎盘分割,三级质控流程筛选图像
关键影像表现/征象
- 五个3D-svFMBV测量位置分别对应胎盘内不同区域,包括子宫胎盘界面和绒毛间隙
- 所有3D-svFMBV测值的直方图与Q-Q图均显示正偏态分布,3D-svFMBV4最显著
- 分面箱线图提示3D-svFMBV分布随孕周变化,但孕周极端的样本量有限
诊断标准与关键数值
- LMS法构建百分位数曲线,多数位置采用BCPEo分布,3D-svFMBV2用SEP3,3D-svFMBV4用SEP1
- 目标标准误0.05时需1169例,实际2547例使标准误达0.03
- 第1、3、10、25、50、75、90、97、99百分位数的预测值与实测值偏差极小
- Z-score直方图和Q-Q图证实模型标准化后符合正态分布
临床应用与阅片要点
- 3D-svFMBV参考范围应纳入多变量预测模型用于不良妊娠结局筛查,而非单独二分类判读
- OxNNet自动分割比VOCAL半自动分割更适应胎盘不规则形态
- 单个参考血管校准可减少深度和组织界面导致的信号衰减变异
- 能量多普勒增益需调至亚噪声水平,体积采集时胎盘不完整或闪烁伪影超过5处需重采
局限性
- 单中心研究,样本来自伦敦国王学院医院,普适性需多中心验证
- LMS方法存在过拟合风险,虽通过AIC和目视评估加以控制
- 研究基于健康妊娠,未纳入PE或FGR病例,无法直接外推至病理人群
- 仅基于孕11+2至14+1周数据,孕周范围外的参考值需外推
全文中译22 节 · 点击展开
引言
胎盘疾病,包括胎儿生长受限(FGR)和子痫前期(PE),对围产期发病率和死亡率有重要影响 1 , 2 , 3 , 4 。早期风险分层、加强监测和低剂量阿司匹林预防是当前干预措施的基石 5 , 6 。因此,有潜力改善早孕期筛查的新型生物标志物引起了相当大的关注,而早孕期三维(3D)胎盘超声检查在这方面具有潜力。
OxNNet工具包是英国牛津大学开发的一种全卷积神经网络。它利用深度学习实现从三维超声图像中对胎盘(包括子宫胎盘界面(UPI))以及羊水和胎儿的全自动分割 5 , 6 。胎盘分割是计算胎盘三维分数移动血容量(FMBV)的关键步骤,FMBV是一种经验证的、来源于能量多普勒信号的灌注测量指标,由Rubin等人首次描述 7 , 8 , 9 。与彩色多普勒相比,能量多普勒受流速、血流方向和声束入射角的影响较小,因此非常适合评估流经缓慢且迂曲的子宫肌层血管丛的灌注 10 , 11 , 12 。然而,患者间的比较会受到组织依赖性信号衰减的干扰,因此有必要以假定具有100%信号幅度的参考点进行校准。Rubin等人 8 利用累积信号曲线从感兴趣区域外推该值,但其准确性受到血管大小、背景噪声以及高血管组织缺乏明确“拐点”的限制 13 。OxNNet通过自动选择单一参考血管(该过程由Yin等人 13 详细讨论)克服了这些局限,从而能够计算单血管三维FMBV(3D-svFMBV)。3D-svFMBV可在子宫肌层血管丛和胎盘内相对于UPI参考点的不同位置进行评估(图1,表1)。
在发展为PE的妊娠中已观察到UPI和绒毛间隙血管减少,但在血压正常的小于胎龄儿妊娠中未观察到 14 。因此,3D-svFMBV有可能帮助区分这两种表型。
我们的目的是基于健康妊娠建立OxNNet衍生的早孕期胎盘3D-svFMBV的综合参考范围。该参考范围应为未来研究提供基础,并促进探索3D-svFMBV作为产前保健中潜在筛查生物标志物的应用。
方法
研究设计
本研究利用了早孕期胎盘超声(FirstPLUS)研究的数据,这是一项纵向观察性队列研究,纳入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妊娠个体。参与者在常规超声评估时被招募,评估在孕11+2周至14+1周之间进行。除标准检查外,还进行了胎盘三维超声扫描,包括能量多普勒成像。在单次研究访视后,参与者继续接受常规产科护理,妊娠结局随后从电子病历中提取。
本研究遵循加强流行病学观察性研究报告质量(STROBE)指南15。West Midlands–Solihull研究伦理委员会于2022年3月8日批准了FirstPLUS研究(参考号22/WM/0039)。参与者提供了书面知情同意,并可随时退出研究。
研究人群
参与者在早孕期联合筛查时被邀请参与。纳入标准为:单胎妊娠;年龄≥18岁;在孕11+2周至14+1周之间接受早孕期筛查;能够理解英语或可获得适当的翻译途径;且研究者认为其能够参与研究活动。排除标准为:多胎妊娠;无存活妊娠或妊娠存活不确定;扫描时发现重大胎儿缺陷;妊娠后期发现染色体异常;或联合筛查不完整(如无法测量颈项透明层)。
为构建参考图表,我们分析了FirstPLUS队列中的一个亚组。目的是研究一个胎盘血管不太可能受病理影响的群体,从而产生一个规范性参考(反映健康人群中观察到的数值范围),而非描述性参考(反映整个人群,包括患有病理情况者)。具体而言,我们的目标是建立在表观健康妊娠中胎盘三维立体像素流量(3D-svFMBV)的正常范围。因此,我们排除了符合以下任一标准的病例: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)证据、新生儿病房入住、母亲糖尿病(孕前或妊娠期)、母亲高血压疾病(慢性高血压、妊娠期高血压或子痫前期[PE])、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。
定义
FGR定义为出生体重<第3百分位数,或出生体重<第10百分位数且最后一次超声检查时证实存在多普勒异常。多普勒异常定义为分娩前最后一次超声评估中脐动脉搏动指数>第95百分位数或脑胎盘比率<第5百分位数,参照Ciobanu等的参考范围16。出生体重百分位数采用胎儿医学基金会(FMF)人群出生体重图表计算17。子痫前期(PE)和妊娠期高血压根据美国妇产科医师学会(ACOG)指南定义18。妊娠期糖尿病采用口服葡萄糖耐量试验诊断,遵循英国国家卫生与临床优化研究所(NICE)推荐的检测时机和诊断阈值19。早产定义为37+0周前分娩。死产定义为≥24+0周无生命体征出生。流产定义为超声证实宫内胎儿死亡,或≤23+6周无生命体征出生。
胎盘超声检查
超声检查使用GE Voluson™ E6或E8超声设备(GE Healthcare,Zipf,奥地利),配备RAB4-8-D 3D/4D凸阵腹部探头(4-8.5 MHz),由经过适当培训的胎儿医学专科医师操作。超声设备预先配置了适当的设置,并保存为预设模式以确保一致性(详细设置见表S1)。确认妊娠存活后,按照标准方案测量头臀长(CRL)和颈项透明层厚度。孕龄根据CRL测量值确定20,辅助生殖病例除外,后者采用胚胎移植日期。
胎盘超声扫查首先确定最佳探头位置以对整个胎盘进行3D成像,通常选择胎盘中心附近的横断面。校准灰阶增益设置,确保目视评估时胎盘与周围组织清晰区分。对能量多普勒增益设置进行精细调节,以获得个体的亚噪声增益设置:增加增益直至图像出现泛滥,然后逐渐降低直至噪声刚好消除且不再进一步降低21, 22。采集一个容积以评估胎盘及下方子宫肌层的完整性,以及是否存在能量多普勒闪烁伪影。如果判定胎盘不完整或存在超过五个能量多普勒闪烁伪影,则重复容积采集。
图像处理
图像以Kretzfile 1.0格式(*.vol扩展名)从超声设备无压缩导出,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,并按照既往描述的方法计算3D-svFMBV5, 6, 13, 23。能量多普勒信号经过校准,3D-svFMBV采用Yin等描述的方法计算13。随后进行三阶段质量控制(QC)流程。
质量控制:第一阶段
在进行胎盘分割之前,接受过培训的超声医师审查了所有图像的完整性。如果胎盘显示不完整、机器设置不正确、能量多普勒伪影过多(与胎盘相交的闪烁伪影超过五处)或图像质量太差以至于操作者无法勾画胎盘轮廓,则排除该图像。
质量控制:第2阶段
在质量控制的第二阶段,使用OxNNet的当前版本和原始版本进行胎盘和羊水分割。使用Dice相似系数比较每种方法获得的分割结果。对一致性较差的病例进行人工审查,对因图像质量差而无法确定胎盘轮廓的病例予以排除。图像分三轮进行审查:(1)胎盘分割一致性<60%,无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%,无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,对每个孕日使用四分位距(IQR)法识别离群值。对于每个孕日,计算胎盘体积测量的第一四分位数(Q1)和第三四分位数(Q3)。低于Q1−(1.5×IQR)或高于Q3+(1.5×IQR)的测量值被视为离群值。离群值由S.M.和M.So.进行人工审查,以评估图像质量和分割准确性。如果图像质量不足以可靠确定正确的胎盘轮廓,则排除该离群值。
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统计计算平台基金会,奥地利维也纳)进行。
样本量估算
FirstPLUS研究的样本量是预先确定的,旨在收集足够的数据来构建多变量预测模型,同时考虑脱落和失访。使用Riley等24的方法和R中的pmsampsize 1.1.3版软件包25,我们计算出,在发病率为2%、20个参数和C统计量为0.9的情况下,2171例即足够。若C统计量为0.8,则需要2992例。因此,选择4000例作为务实的招募目标样本量。
为评估剔除后可用病例是否足以构建参考图表,我们使用以下公式26计算了数据在估计特定百分位数(第2.5和第97.5百分位数)时的精度: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。在标准化Box–Cox变换后SD为1的情况下,第2.5和第97.5百分位数处目标标准误为0.05,所有3D-svFMBV参数需要1169例样本量。利用剔除后的实际样本量(n=2547)和计算的标准差,标准误为0.03,证实了样本量足以构建百分位数图表。使用R中的bestNormalize软件包27选择最佳变换方法,并假设整个孕周期间方差恒定。
参考图表构建模型
使用直方图和分位数–分位数(Q–Q)图对子宫胎盘血管系统内五个不同位置的3D‐svFMBV分布(图1,表1)进行视觉评估,这些图形使用R 28 中的ggplot2(版本3.5.0)包构建。为探索分布随孕周的变化,使用ggplot2 28 为每个位置的3D‐svFMBV构建了分面箱线图。因此,我们决定探索能够解释分布随孕周变化的灵活统计方法,包括分位数回归(QR)29 和lambda‐mu‐sigma(LMS)方法 30 ,而非依赖传统的均值和标准差方法。
我们使用R中的quantreg包 31 执行QR,拟合线性、多项式、自然样条和B样条模型,以孕周天数作为预测变量。Barrodale和Roberts方法以及惩罚lasso回归均被用于估计分位数。
利用R中gamlss包 32 内的lms函数进行LMS建模。针对每个目标胎盘位置的3D‐svFMBV,评估了多种位置、尺度和形状的广义可加模型(GAMLSS)分布族,以确定最适合该数据集的分布。评估的分布族包括Box–Cox Cole和Green原始(BCCGo)、Box–Cox幂指数原始(BCPEo)、Box–Cox t分布扩展原始(BCTEo)、Box–Cox t分布(BCT)、偏斜指数幂(SEP1、SEP2、SEP3、SEP4)、Sinh–Arcsinh(SHASH、SHASHo)、Johnson's SU(JSU)、广义t分布(GT)、对数正态(LOGNO)和偏斜t分布1–5型(ST1、ST2、ST3、ST4、ST5)。循环次数设为1000,k值为2,所有其他LMS参数设为默认值。
模型评估
更复杂的模型可能获得更好的拟合,但可能降低泛化性(这一矛盾称为过拟合)。选择赤池信息准则(AIC)作为模型比较方法,因为它评估拟合优度的同时惩罚复杂度 33 。较低的AIC值表明拟合与简洁性之间达到了更好的平衡。构建带有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。此外,还构建了Z分数的直方图和Q–Q图。
排除病例分析
我们将主要研究队列与第三阶段QC期间排除的病例进行了比较,后者是胎盘体积方面的统计学离群值。基线特征分析中,连续变量采用Wilcoxon秩和检验,分类变量采用Fisher精确检验。
3D‐svFMBV值的分布
对3D‐svFMBV1–5的直方图和Q–Q图进行视觉评估显示,所有病例均呈正偏态,其中3D‐svFMBV4最为显著(图2)。分面箱线图提示3D‐svFMBV的分布随孕周变化(图3),尽管这些结果的解释受到孕周极端的低病例数限制。
模型比较
QR模型的AIC统计量汇总于表3。采用所选GAMLSS分布族的LMS模型的AIC统计量见表4。对于3D-svFMBV1–5,使用Rigby–Stasinopoulos拟合算法32的LMS建模获得了最低的AIC值。除3D-svFMBV2和3D-svFMBV4分别使用SEP3和SEP1分布外,其余均使用BCPEo分布。
最终模型
基于较低的AIC值,选择LMS方法生成的模型来构建百分位数图。根据孕周绘制的3D-svFMBV1–5的百分位数图见图4。模型摘要(包括系数)见附录S1。五个模型以R文件形式提供于附录S2,用于计算个体百分位数的R脚本见附录S3。
百分位数图的评估
表5比较了五个模型在九个目标百分位数上的预测与观察百分位数:第1、3、10、25、50、75、90、97和99百分位数。所有模型均表现良好,校准预测的百分位数与样本中观察到的百分位数之间高度一致,在包括极端值在内的所有评估目标百分位数上偏差均极小。
使用各相应模型得出的3D-svFMBV1–5的Z分数以直方图和Q-Q图形式呈现于图S2。所有情况均呈预期正态分布。
排除病例分析
研究队列与第三轮质量控制中排除的15例的人口学及妊娠特征比较见表S2。除PE病史外,未发现统计学显著差异;排除病例中PE病史更为常见(2/15(13.3%)),而研究队列中为(40/2547(1.6%))(P < 0.001)。
讨论
本研究基于一个健康妊娠大样本队列,提供了孕早期三维超微血管血流灌注指数(3D‐svFMBV)随孕龄变化的参考范围,涵盖子宫胎盘血管系统内五个特定部位。我们采用机器学习技术,特别是OxNNet工具包,实现了全自动胎盘分割和3D‐svFMBV计算。敏感性分析显示,研究队列与第三轮质量控制中排除的15例之间无统计学显著差异,仅子痫前期(PE)发生率在排除病例中更高。这很可能是由于排除病例数较少所致的统计学假象。因此,鉴于整体队列仍具代表性且模型校准良好,这不太可能影响3D‐svFMBV百分位图表的构建。
在我们的队列中观察到了范围广泛的3D‐svFMBV值,与既往研究结果一致。在一项纳入143例的研究中,Collins等报告了子宫胎盘交界区(UPI)(相当于本研究中的3D‐svFMBV1)的FMBV值范围为0.01至0.65,绒毛间隙(相当于本研究中的3D‐svFMBV2)为<0.01至0.44。我们更大的数据集能够更好地代表正态分布两端的极端值,从而捕捉到更广泛的生理变异谱。然而,Collins等研究的队列纳入了合并子痫前期和小于胎龄儿的妊娠,这些病理情况可能对应更宽的取值范围。
据我们所知,这是首个定义孕早期胎盘3D‐svFMBV参考值的研究。重要的是,这些参考图表的效用不在于将灌注二分为正常或异常,而在于其可为不良结局的多变量预测模型做出贡献的潜力。我们的大样本量使得能够精确估计3D‐svFMBV随孕龄的分布,从而提高了百分位数计算的可靠性,尤其是对于极端百分位数,如第5和第95百分位数。我们充足的样本量也确保了亚组具有更好的代表性,进而提高了图表的普适性。此外,随着数据点数量的增加,离群值的影响得以最小化,从而生成了更稳健的、能准确反映真实人群分布的百分位图表。
本研究的另一优势在于采用LMS方法对3D‐svFMBV进行建模,该方法能够处理各3D‐svFMBV水平下复杂的非正态分布。虽然LMS方法存在过拟合的风险,但我们通过目视检查曲线并利用AIC统计量评估模型拟合来解决了这一问题。该方法在不过度增加复杂性的前提下确保了稳健性。尽管LMS方法能更精确地建模3D‐svFMBV分布,但其实施需要较高的数学知识。为支持更广泛的应用,补充材料中提供了模型和用于百分位数计算的R脚本,使其他研究者能够复现和应用这些结果。
本研究的主要优势之一是使用了OxNNet工具包。全自动胎盘分割和3D-svFMBV计算使得创建比原本实际可行更大的数据集成为可能。与使用虚拟器官计算机辅助分析(VOCAL™)的半自动分割相比,OxNNet工具包还具有显著优势,后者依赖于几何假设,可能无法准确反映胎盘的不规则形状34。胎盘形状在早孕期可发生显著变化,可能使手动和几何方法在体积估算中容易产生误差35。
信号标准化对于基于多普勒的灌注估算的准确性至关重要。OxNNet工具包采用的单血管参照技术可减轻由深度、组织界面及其他信号衰减因素引入的变异。该方法在概念上与Rubin等人的基础性工作相似7, 8,尽管实现方式不同。虽然信号物理学的讨论超出了本文范围,但我们技术的开发、验证和原理已在先前进行了描述13。与早期FMBV研究相比,这种方法学上的差异是观察结果变异的潜在来源。
采集过程中的时间变异性,尤其是整个心动周期中的变异性,是多普勒成像中另一个潜在误差来源。虽然OxNNet未纳入心电门控,但三维容积扫查的平均效应预计可减轻收缩期-舒张期波动。
我们对胎盘成像和分割均应用了严格的质量控制(QC),以确保模型基于准确的胎盘评估。高图像质量对于3D-svFMBV成为可靠的临床标志物至关重要。为支持这一点,OxNNet工具包内正在开发集成的QC功能,可在图像采集过程中实现自动化、实时的质量控制。这将使超声技师能够获得即时反馈,并在出现不完整图像或明显伪影等问题时重复扫查,从而提高3D-svFMBV测量在临床实践中的可靠性。OxNNet目前尚不能实时运行,但持续的优化工作旨在将处理时间缩短至60秒以内,使该技术在临床应用中具有可行性。
尽管我们的队列规模较大,但极端孕周的病例很少,这对分布分析而言是一个局限性。纳入早孕期更早和更晚阶段的数据可提高模型的稳健性。此外,我们的研究基于英国单一中心,这限制了其在不同人群中的普遍适用性。需要在多样化队列中开展进一步研究。虽然我们排除了已知胎儿或母体病理的病例,但未诊断的疾病可能影响了3D-svFMBV。需要进一步研究以了解3D-svFMBV与妊娠结局之间的关系,目前参考范围的建立可为这一研究提供支持。这些参考范围的外部验证对于评估诊断效用至关重要。这将在未来研究中推进,包括牛津胎盘超声研究(OxPLUS),该研究旨在评估3D-svFMBV Z评分及其他血管标志物在病理妊娠中的预测价值。
OxNNet 通过使用 NIfTI 格式转换,设计为不依赖于特定厂商,从而能够在不同超声平台间兼容。虽然这减轻了对系统差异的担忧,但仍需使用不同成像系统开展进一步的多中心研究,以确认其普适性和可重复性。
总之,本研究利用先进的机器学习技术进行自动化分割和 3D-svFMBV 计算,为子宫胎盘血管系统内五个部位的首个孕期胎盘 3D-svFMBV 提供了新的参考范围。大样本量提高了百分位图表的可靠性,而 LMS 方法的使用确保了 3D-svFMBV 分布的稳健建模。尽管存在某些局限性,例如队列的普适性以及极端孕周病例的稀缺,这些发现为未来研究胎盘功能和妊娠结局提供了有价值的基础。参考范围和支持材料的可用性应有助于进一步验证和临床应用,从而改进早期妊娠评估并推动产科护理的发展。
支持信息
表 S1 超声仪设置。
表 S2 研究队列与第三轮质量控制中排除病例的人口学和妊娠特征的敏感性分析。
图 S1 总结研究队列筛选流程的流程图。APS,抗磷脂综合征;FirstPLUS,早孕期胎盘超声;QC,质量控制;SLE,系统性红斑狼疮。
图 S2 显示子宫胎盘血管系统内五个目标部位的三维单血管移动血流分数(3D-svFMBV)的 Z 分数分布的直方图(左)和分位数-分位数图(右)。
附录 S1 模型摘要。
附录 S2 包含模型的 RData 文件。
附录 S3 用于个体百分位数计算的 R 脚本。
引用
- Mathewlynn, Starck, Yin, et al. Reference charts for first-trimester placental three-dimensional fractional moving blood volume derived using OxNNet. Ultrasound Obstet Gynecol. 2026. PMID: 41499517. doi:10.1002/uog.70161
- 全文:PMC12865523(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12865523/
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。