AI辅助超声赋能基层母体护理

世界卫生组织（WHO）估计，每年全球有超过25万例与怀孕相关的并发症导致的可预防死亡。 虽然产前超声可以改善结果并减少胎儿和母体死亡率，但全球三分之二的人无法获得像超声这样的诊断医学成像。 目前支持母体健康的方法严重依赖于专门的临床培训，导致数百万在资源匮乏的环境中在整个怀孕期间都无法获得一次超声检查。 我们看到了一个机会，通过开发解释“盲扫”超声的机器学习系统，开展研究以解决这一现实需求。 这种扫描方式允许没有专门超声学培训的前线卫生工作者通过在腹部以标准化模式滑动低成本、便携式超声探头来进行扫描。

由于许多地区面临专家的严重短缺，传统的超声医师培训既昂贵又需要多年的承诺，使这些卫生工作者能够在最少培训的情况下进行评估，有可能显著扩大产前筛查覆盖范围。 将最低培训要求与人工智能解释相结合，最终可能意味着开发出一种有潜力增加基于超声的妊娠评估可用性，从而改善获得更高质量母体健康的工具。 在发表在《JAMA Network Open》的“使用盲扫超声进行基于人工智能的妊娠年龄评估的一般化”中，我们评估了用于妊娠年龄评估（怀孕有多久）的人工智能模型在多样化的临床环境和硬件上的泛化能力。

虽然我们之前的研究验证了该模型在来自其学习过的回顾性队列中未见过的患者上的性能，但这项新的前瞻性研究表明，该人工智能系统在真实诊所中用移动设备实时运行时表现可靠，只有新手操作员和不熟悉的超声设备，以及最少的微调。 “妊娠年龄基本上是指一个女人怀孕有多久了。 我们所有的筛查，我们很多的治疗，我们分娩的很多指征都是基于你从妊娠年龄得到的这个主时间线。

”- Nichole Young-Lin，妇产科医生评估在不同临床环境中的性能对于医疗人工智能系统要安全地全球扩展，它必须在引入具有不同患者群体、临床工作流程和超声硬件变化的新临床环境时保持准确的诊断性能，这些变化与模型训练时使用的不同。 在这项研究中，我们的原始人工智能模型只在我们目标人群之一上进行了微调，然后在前瞻性测试中跨两个目标环境：西北医学：位于美国芝加哥IL的一个城市、高资源的学术医疗中心。 雅卡兰达健康：位于肯尼亚内罗毕的一个城市社区诊所网络。

最初在北卡罗来纳州和赞比亚收集的超声数据上训练，使用一套Sonosite、GE和Butterfly Networks商用超声探头，研究人工智能系统与Clarius C3配对，这是一种商用手持经腹探头。 所有这些地点在各种护理维度上都有所不同，包括妇女第一次接受产前护理的时间、他们收到的常规超声数量以及通常如何确定妊娠年龄。 为了评估有效的系统微调，该研究利用了来自芝加哥的120名参与者的一个小型试点数据集——大约是原始训练集的6%——以适应新的探头硬件并将妊娠年龄预测范围扩展到36周以上。

为了了解泛化能力，没有使用内罗毕站点的数据进行微调，保持肯尼亚临床验证作为一个严格独立的外部测试。 为了评估全面