Google Research：AI 辅助超声如何扩大孕产妇护理覆盖范围
原文标题：Empowering frontline maternal care with AI-assisted ultrasound
Google Research Blog 发布于 2026 年 10 月 21 日 08:00。本文为研究动态编译，数据与结论以论文和原始来源为准。
Google Research 在《JAMA Network Open》发表一项前瞻性多中心研究，评估 AI 能否根据由新手操作员采集的“盲扫”超声图像估算孕周。研究覆盖美国芝加哥和肯尼亚内罗毕的临床环境，重点考察模型在不同人群、工作流程与便携设备上的表现。
研究报告称，在 385 名孕 16 至 36 周的参与者中，AI 的孕周估算平均绝对误差（MAE）为 4.18 天，专家标准测量的 MAE 为 4.48 天；在内罗毕的独立验证中，未经当地数据微调的模型 MAE 为 4.27 天。这些结果支持进一步研究 AI 辅助超声的可行性，但并不意味着模型可以取代临床人员或完整的产前检查。
AI 导读
这项研究关注一个现实问题：很多地区缺少受过多年训练的超声技师，孕妇可能在整个孕期都无法获得一次超声检查。研究团队尝试让一线医护人员用低成本、便携式探头完成标准化“盲扫”，再由 AI 从连续图像中估算孕周。
推荐理由
研究给出了芝加哥与内罗毕两个临床环境的前瞻性验证数据，也记录了设备续航、扫描质量和临床信任等部署细节。对于评估 AI 超声能否在低资源场景落地的读者，这些信息比单一基准分数更有参考价值。
研究关注：让更多一线人员能够开展超声筛查
世界卫生组织估计，每年有超过 25 万例可预防死亡与妊娠相关并发症有关。超声检查有助于评估妊娠进展和识别风险，但获得影像诊断服务的机会并不均衡；具备专业培训的超声技师在许多地区也相对短缺。
研究团队探索的方式，是让未接受过专业超声培训的一线医护人员按标准模式将便携探头沿孕妇腹部移动，采集一组连续图像，再由 AI 模型分析图像并估算孕周。研究将这种采集方式称为“盲扫”（blind-sweep）：操作员不必像传统检查那样手动定位并测量每个指定胎儿切面。
这个思路试图降低设备与操作培训的门槛。不过，能采集图像和能安全完成产科判断是不同的能力；异常结果、图像质量不足或模型不确定时，仍需要临床人员复核和后续检查。
研究如何验证跨场景表现
研究模型此前使用在北卡罗来纳州和赞比亚采集的超声数据进行训练，数据涉及 Sonosite、GE 和 Butterfly Networks 等商用探头。本次前瞻性研究则在两个差异明显的临床环境中测试系统：
- Northwestern Medicine：美国伊利诺伊州芝加哥的城市学术医疗中心。
- Jacaranda Health：肯尼亚内罗毕的城市社区诊所网络。
研究先用芝加哥 120 名参与者的小型试点数据适配新探头，并扩展模型的孕周预测范围；这部分数据约占原始训练集的 6%。内罗毕数据没有用于微调，因此被保留为独立的外部验证。系统还在 Clarius C3 便携式经腹探头上运行，以观察设备变化带来的影响。
主要诊断队列共纳入 385 名孕 16 至 36 周的参与者。研究也探索了多胎妊娠等较复杂情形，但需要注意，单项研究中的样本规模和站点数量有限，尚不能代表所有地区、设备和临床流程。
主要结果：误差与专家标准相近
研究将 AI 从盲扫图像估算孕周的结果，与专家超声技师采集指定胎儿切面后按标准公式进行的估算相比较。论文报告的平均绝对误差如下：
| 评估方式 | 平均绝对误差（MAE） | 说明 |
|---|---|---|
| AI 盲扫模型 | 4.18 天 | 两个队列的整体结果 |
| 专家标准测量 | 4.48 天 | 专家定位胎儿切面并进行生物测量 |
| 芝加哥适配后模型 | 4.10 天 | 使用小型试点数据适配探头与预测范围 |
| 内罗毕外部验证 | 4.27 天 | 未使用当地数据进行微调 |
作者报告，AI 系统在预先设定的标准下达到不劣于专家标准测量的结果。这里的“相当”只针对该研究设定的人群、设备和评估指标，不应外推为所有孕周、操作员或医疗环境中的保证。研究还报告，在胎儿体重高于第 90 百分位的探索性分析中，模型表现优于传统生物测量公式；该结果仍需在更多数据中验证。
部署中观察到的实际问题
前瞻性测试不只比较准确率，也让团队观察了真实诊所里的操作流程。研究指出，设备能否在连续患者之间快速维持电量会影响使用体验；与插入式充电底座相比，可更换电池在一些现场流程中更实用。
研究也强调了临床人员和患者的信任。系统需要具备清晰的保护措施，例如估计模型置信度、识别并拒绝质量不佳的扫描，并将不确定性传达给使用者。AI 输出应作为临床评估的一部分，而不是脱离病史、体征和其他检查单独作出判断。
正如研究团队引用的妇产科医生 Nichole Young-Lin 所说：“孕龄基本上就是女性怀孕进展到何种程度。我们所有的筛查、许多治疗、许多分娩指征，都基于从孕龄获得的这条主时间线。”这也说明，孕周估算虽然是一个具体任务，却会影响后续筛查和治疗安排。
这项研究的意义与边界
这项研究提供了跨芝加哥与内罗毕、跨便携设备的前瞻性数据，说明由新手操作员采集的盲扫图像可以用于孕周估算，并显示模型经过有限适配后仍能在独立站点取得相近误差。这为探索在资源有限地区扩大超声初筛提供了依据。
但研究评估的是孕周估算性能和部署可行性，并未单独证明该系统已经改善孕产妇或新生儿结局，也没有消除培训、转诊、临床复核、设备维护和本地监管要求。若未来用于常规护理，还需要更广泛的人群验证、持续监测和明确的人工升级流程。
这项工作也为下一代多模态医学智能研究提供了实践经验：模型不仅要在离线数据上表现良好，还要能在真实流程中识别不确定性、适配设备差异，并让临床人员知道何时应该停止使用模型、转交专家处理。
致谢
Google Research 对 Northwestern University Feinberg School of Medicine、Jacaranda Health 及所有参与研究的合作者表示感谢。完整作者名单、研究方法和统计分析请以 Google Research 原文及《JAMA Network Open》论文为准。
来源
- Google Research：Empowering frontline maternal care with AI-assisted ultrasound
- 论文发表于《JAMA Network Open》。研究设计、样本和结果以原始论文为准。