产前超声检查在监测胎儿发育、发现结构异常及评估母亲健康方面至关重要，无创性和高分辨率成像使其成为妊娠期结构异常筛查、胎儿生长监测及母体并发症识别的首选方法。然而，传统超声高度依赖操作者经验，可能导致诊断结果的主观性和不一致性。
随着计算能力和大数据技术的发展，人工智能（artificial intelligence，AI）在医学影像领域尤其是产前超声中的应用取得了显著进展。通过深度学习算法分析超声影像，AI 能精准识别胎儿解剖结构和发育情况，并规范检查流程，减少人为差异，提高诊断准确性和效率。目前，相关研究已经实现了AI 在胎儿重大疾病的辅助诊断以及生长参数测量、质控等方面的应用。这些应用研究案例表明，应用AI 不仅可以优化医疗资源配置，还能为缓解基层医疗机构人才短缺问题提供新途径，使得经验不足或专业人员有限的机构也能提供高质量的产前检查服务。
一、AI 在产前超声领域应用的技术原理
（一）AI 学习范式
在AI 领域，机器学习范式根据监督信息的不同可大致分为四类：全监督、半监督、弱监督和无监督学习［1］。其在产前超声中的应用如下：（1）全监督学习（fully supervised learning，FSL）依赖带标签数据，需专家对超声图像进行精准标注（如器官分割、病灶定位），是当前产前超声AI 模型的主流方法，常用模型包括U-Net 系列分割模型、Yolo 目标检测模型及ResNet 分类模型［2,3］。（2）半监督学习（semi-supervised learning，SSL）结合少量标注数据与大量未标注数据，通过伪标签生成（如保留置信度＞0.9 的预测结果）和模型微调，减少标注依赖，提升胎儿结构检测、切面抓取等任务的效率［4］。（3）弱监督学习（weakly-supervised learning，WSL）利用粗粒度标签（如图像级“正常/异常”），而非像素级标注，完成结构定位（如四腔心切面心脏区域分割）等任务，降低标注成本。（4）无监督学习（unsupervised learning，USL）从无标签数据中挖掘结构模式，例如通过K-means 聚类分析胎儿脑室图像，识别异常发育群体，辅助临床决策。
（二）主要应用方向
在产前超声领域，AI 的应用正日益扩展，为提高诊断准确性、提升医疗效率以及改善患者体验提供了新的解决方案。以下是AI 在产前超声领域的几个主要应用方向：（1）实时目标检测：利用轻量化的模型架构，AI 能够在视频流中对胎儿结构或潜在病灶进行实时检测［5,6］。这种技术特别适用于动态监测胎儿的生长发育情况，及时发现可能存在的异常。（2）器官/病灶自动分割：采用如U-Net、TransUNet 等先进的图像分割算法，AI 可以自动完成对特定器官或病灶区域的精确分割并进行后续的自动测量。相比传统的手动病灶勾画及测量，这不仅大幅提升了工作效率，减轻了医师的工作负担，而且提高了测量的一致性和准确性。（3）智能辅助诊断：借助高效的特征提取模型，AI 能够提供疾病的精准诊断建议。这不仅可以帮助医师更快速地做出准确判断，还能有效减少不必要的侵入性检查（如穿刺活检），减轻患者的身心负担。此外，通过提供客观的诊断依据，AI 有助于缓解患者因不确定性而产生的过度焦虑情绪，增强医患之间的信任关系［7］。
二、AI 技术在产前超声中的临床应用
（一）标准切面及短视频自动获取
标准切面的识别是胎儿产前筛查与诊断的关键，AI 研究已实现对胎儿颅脑、颜面部、心脏及腹部等多个部位的标准切面自动识别，覆盖早、中、晚孕期［8］。Pu 等设计了一个模型，结合时间和空间特征实现实时准确识别胎儿颅脑五横切面［5,9］。目前，该算法已嵌入笔者团队开发的智能工作站，可在实时获取标准切面或进行质控时提供可解释性依据，如图1 所示。Wang 等［10］通过提取局部二值模式和方向梯度直方图并使用支持向量机进行四种颜面部切面类型的预测，达到了93.88%的平均召回率。Xue 等［11］利用改进的轻量Yolov4模型检测六种关键结构，并根据评分区分非标准与标准切面，在颜面部正中矢状面上实现了97.20%的精确率。Li 等［12］开发了一个多任务AI 算法用于胎儿心脏标准切面及其关键解剖结构的检测，其性能优于DenseNet、ResNet 等传统网络。
（二）生长参数测量
生长参数对于评估胎儿健康至关重要，包括双顶径、头围、腹围、羊水量等［16,17,18,19］。AI 技术在这一领域展现了显著优势，能够减少人工测量的主观性和误差。Cho 等［16］开发的SoC 系统利用H-BiSeNet 模型分割胎儿头部、腹部及下肢，并基于关键点提取实现生长参数的自动测量，与人工测量结果高度相关（皮尔逊相关系数≥0.983），图像处理速度为4.25 张/s。Slimani 等［19］通过大规模数据集（172 293 张产前超声图像）构建了用于羊水量评估的AI 模型，其在测试集上的表现超越人类专家间的一致性。在胎儿心脏方面，AI 技术同样取得了进展，如Yu 等［20］使用BP 神经网络从二维超声图像中推导左心室体积，与临床专家的人工测量结果一致性高（ICC=0.97），计算时间仅需8.8 ms。Liang 等［2］则采用nnU-Net 实现了胎儿心脏15 个关键结构的分割，并准确获取心轴角和心胸比等参数，其结果接近高级医师水平。准确估计孕龄对于监测胎儿发育极为重要，已有研究成功应用AI技术通过超声图像进行精准预测。Dan 等［21］开发的DeepGA 模型能全自动地识别并分割出颅骨、腹部和股骨三个关键组织，然后进行孕龄估计，平均绝对误差仅为5 d。Lee 等［22］针对超声图像和视频分别构建了孕龄估计模型，并将两者结合，集成模型的平均绝对误差最低达到1.5 d，优于传统生物测量方法。然而，以上部分研究仍停留在研究阶段，未能完成应用转化。针对胎儿生长参数的临床转化工作，笔者团队已经成功将胎儿体重、腹围等多个胎儿生长参数自动获取功能嵌入了开发的智能工作站中，部分生长参数获取示例如图2 所示。
（三）AI 辅助的产前畸形诊断
在胎儿先天性心脏病诊断领域，Arnaout 等［27］训练了一个自动识别系统，能够识别五种标准心脏切面并区分16 类主要先天性心脏病与正常心脏，其内部测试集上的ROC 曲线下面积达到了0.99。Lu 等［28］提出的SKGC 框架在胎儿心脏病诊断上实现了99.68%的准确率。Nurmaini 等［29］使用DenseNet201 模型诊断七种重大先天性心脏畸形，跨患者验证准确率提升至99%。此外，AI 技术还应用于胎儿颜面部和腹部等结构畸形的筛查。Li 等［30］改进Yolov5 模型，在胎儿唇部超声图像检测及分类任务上达到了0.925 的准确率。Nantha等［31］首次将超声图像与语音频谱图结合，实现了包括双侧唇腭裂在内的三种唇腭裂类型的诊断，总体准确率为82.86%。
三、AI 技术在产前超声质控中的应用
（一）事中质控
在产前超声检查中，AI 技术通过实时图像分析与反馈机制，可显著提升产前超声医师在临床实践的事中质量控制效率及结果。在产前超声检查的事中质量控制方面，郭文佳等在其研究中介绍了S-Fetus 4.0 智能超声设备，这款设备能够实时分析产前超声图像中的解剖结构，显著提升超声检查的全面性和准确性［32,33］。具体来说，S-Fetus 4.0 系统将早孕期及中晚孕期超声筛查所需的切面数量扩展到了64 个，胎儿超声心动图所需的切面扩充到了22 个，实现了产前超声检查所需覆盖的所有切面类别。算法层面，该系统采用了Coarse-to-fine 细粒度检测算法和结合专家知识协议的关键结构检测等方法，大大提升了质控过程中的可解释性。目前，该系统已在包括深圳市妇幼保健院、宝安区妇幼保健院等数十家医院成功投入使用，并取得了良好的临床效果。这些医院的应用反馈表明，该系统不仅能够显著提升工作效率，减少手动操作的时间，使医师更专注于复杂的病例，还可以通过高精度的检测结果减少人为误差，提高诊断的准确性和一致性。
（二）事后质控
在产前超声图像的事后质量控制方面，传统的人工质控方法存在诸多问题，如效率低下、严重滞后等。这些问题不仅影响了质控的准确性和可靠性，还可能导致延误诊断或误诊。此外，传统的质控过程往往受限于地域和设备条件，难以实现标准化和统一化管理。例如，在一些偏远地区，由于缺少专业的质控人员和先进的设备，很难保证每一份产前超声图像都能得到高质量的评估。
四、AI 技术在产前超声领域的未来发展与挑战
随着AI 技术的进步，产前超声正朝着更精准、智能和普惠的方向发展。通过优化的AI 算法结合多模态数据，可以更准确地识别胎儿异常，减少误诊和漏诊。利用大数据分析，AI 能根据孕妇的具体情况（如年龄、孕龄、家族病史）制定个性化的产前检查计划和治疗方案，提高医疗服务质量，满足个体化需求。
未来，集成机械臂技术的AI 系统可能实现从扫描到报告生成的全流程自动化，提升工作效率和服务一致性。结合5G 远程超声，AI 可以支持偏远地区的实时监控和远程指导。这些技术的整合将实现胎儿疾病“早筛-精诊-优治”的闭环管理，全面提升母婴健康管理的水平与效果。
尽管前景光明，但AI 在产前超声领域的应用仍面临诸多挑战。例如，尽管AI 模型在诸多产前疾病诊断方面取得了一定的成果，但是由于疾病的诊断不仅需要专业的医学知识，而且通常还涉及跨专业、跨模态等多种类知识信息，这对模型的多模态信息处理能力及模型本身的学习能力都是挑战。因此，未来AI 在胎儿疾病诊断方面的研究将趋向多模态、大模型的方向发展。另外，当前大多数AI 模型依赖特定的数据集进行训练，这意味着它们可能在面对不同设备或人群时表现不佳。提高模型的泛化能力和自适应性也是未来研究的一个重要方向。