作者：黄孜璇　综述,王　虹　审校等，浙江大学医学院附属妇产科医院产科,浙江杭州310000)

人工智能(artificial intelligence,AI)作为一门学科的基础是在1950年代建立的,根据约翰·麦卡锡提出的假设,“学习的每个方面或智能的任何其他特征原则上都可以如此精确地描述,以至于可以制造机器来模拟它”。AI在医学中的应用于1976年首次被描述,当时使用计算机算法来确定急性腹痛的原因。从那时起,人们提出了AI在医学中的多种多样的应用。这些范围从帮助检测疾病[1],到预测疾病模式和流行病学[2]。

妇产科面临的挑战主要有以下几个方面,首先是疾病复杂与诊断难度大,妇产科疾病种类繁多且复杂,如妇科肿瘤、子宫内膜异位症、妊娠期并发症等,其发病机制和临床表现多样,给准确诊断带来困难。例如,某些妇科肿瘤在早期可能没有明显症状,或者症状与其他良性疾病相似,容易导致误诊或漏诊。其次随着生育年龄的推迟和高危妊娠比例的增加,如妊娠期高血压、糖尿病、早产等,对孕产妇的管理和监测提出了更高要求。这些疾病不仅影响孕妇的健康,还可能对胎儿的发育造成不良影响,需要及时准确地预测和干预。AI可以通过深度学习算法,对大量的妇产科影像资料[如超声、磁共振成像(MRI)等]进行分析,辅助医生更准确地识别病变[3]。

因此本综述主要阐述了AI在妇产科疾病的诊治、防御和手术上的作用,并且总结归纳了AI在妇产科应关注的问题,并提出未来的发展方向,为AI发展在妇产科的应用提供新的研究方向,让AI可以更广泛的应用于临床。

1　人工智能技术在妇产科诊断中的应用现状

1.1　影像诊断　女性恶性肿瘤会导致显著的并发症发生率和死亡率,可以通过早期发现来降低。女性恶性肿瘤中最常见的是乳腺癌,其次是子宫内膜、卵巢和子宫颈起源的妇科恶性肿瘤[4]。迄今为止,大多数关于AI的研究都集中在乳腺癌上。而AI应用于其他妇科疾病成像的研究相对不足,但是随着妇产科疾病发病率的增加,这将是一个越来越受关注的领域。子宫内膜癌(endometrial cancer,EC)是全球女性第六大常见癌症,其发病率正在上升。深度学习(deeplearning,DL)被认为是图像分析领域领先的AI工具,其被广泛应用于EC图像分析领域,卷积神经网络(convolutional neural networks,CNN)深度学习方法在图像模式识别方面取得了显著的表现。Urushibara等[5]利用204例癌症患者和184例非癌症患者的MRI图像来训练CNN,采用Xception模型使用ImageNet数据集用作预训练,Xception采用了深度可分离卷积,对图像进行深度卷积和逐点卷积减少了计算量和参数数量,结果显示该模型的敏感性、特异性、准确性和曲线下面积(AUC)与3名放射科医生在诊断EC方面相当,而该模型在轴向ADC图和轴向CE-T1WI的单图像集的诊断中相较于放射科医生的AUC值更高。

AI用于医学图像的发展过程中,注意力机制技术被开发以强化视觉模型,其可以更加关注医学图像的局部细节。Wang等[6]提出了一种计算机辅助诊断系统ECCADx来对EC的宫腔镜结果进行诊断,该系统以EfficientNet网络为基础,结合ParNet注意力机制,EfficientNet网络可使卷积块之间形成了快捷连接,ParNet注意力机制将序列分割,并对每个子序列进行独立的注意力计算,从而降低了计算复杂度。通过对1237例患者的49556张宫腔镜图像作为训练集及85例患者的3412张宫腔镜图像作为测试集,结果显示该模型AUC、准确率、灵敏度、特异度、阳性预测值(PPV)、Kappa系数和F1分数分别为0.941、89.4%、93.7%、87.1%、73.3%、0.755和0.8225,表明该模型可作为EC的计算机辅助工具。此外AI还被用于预测EC的风险上,通过联合影像组学特征标签构建影像组学列线图模型来预测高危EC,结果显示,与实际外科手术的临床决策曲线相比,每100例患者中有11~15例患者通过AI报告了更好的手术计划,表明通过AI将数据整合可以更好地为临床EC患者提供诊疗指导[4]。子宫颈癌是全球第四大最常见的妇科癌症,Giri等[7]比较了不同分类模型如ResNet50、DenseNet121和VGG16用于检测子宫颈癌图像的MRI,将准确性、精准度和F1分数作为评估标准,结果发现3种模型精准度分别为:ResNet5达到84%,VGG16可达到89.9%,DenseNet-121是由121层组成的密集卷积网络,精准度高达92.4%,并且DensetNet-121具有90.9%的召回值。DensetNet-121模型较传统的CNN引入了浓缩连接,这些紧凑模型结构减少了参数冗余,更够更高效捕捉复杂模式和特征。相较于EfficientNet可以缩放卷积块,DensetNet121更适用于数据有限的医学图像,其在卵巢癌的诊断中也取得了较好的应用。在一项回顾性、多中心诊断研究中开发了一个深度卷积神经网络(DCNN)模型,在该模型中同样引入了DenseNet-121,验证333例卵巢癌患者超声影像的3个数据集,并且与35名放射科医生诊断结果进行比较,结果发现DCNN模型的准确性高于放射科医生。DCNN辅助诊断后诊断的准确性从78.3%提高到了87.6%,灵敏度从70.4%提高到82.7%,6名放射科医生的DCNN辅助评估后其平均精度显著增加[8]。Transformer模型使用编码器-解码器架构,与CNN差别在于其完全基于注意力机制(特别是自注意力机制)来处理序列数据,解决了传统神经网络难以建模长距离依赖关系的根本问题。Abdulrahman[9]开发了用于卵巢癌分类的开创性计算机辅助诊断框架,该框架集成了视觉转换器(ViT)模型和局部可解释模型,在UBC-OCEAN训练和测试数据集上进行的实验结果,发现Vi T-Large-P32-384模型在根据组织病理学图像对卵巢癌亚型进行准确分类。该模型在训练期间达到了98.79%的准确率,在测试期间准确率达到97.37%。其高性能的原因主要是将图像分成了32块,可以识别更高分辨率图像中的更精细细节和复杂视觉模式,从而捕捉高分辨率图像中复杂的细节。

1.2　胎儿畸形筛查　近年来,DL在胎儿成像领域广受欢迎,该工具有望克服人类分析固有的一些问题,即主观性和观察者间的可变性,并缩短检查时间[10~12]。此外,它可用于辅导年轻和缺乏经验的医生[13,14]。DL通过以下方式改善胎儿成像,例如自动测量胎儿结构,用于识别正常和异常胎儿解剖学,如检测胎儿中枢神经系统(CNS)、胎儿心脏、胎盘等来识别畸形胎儿。在自动测量结构上已经使用不同的方法开发了几种DL模型来自动测量胎头生物测量(头围、枕额叶直径和双顶叶直径)和股骨长度[15~17]。但围产期超声成像质量差,目标边界模糊,公共交感神经目标相对较小,如何实现全自动和准确的分割仍然具有挑战性。Chen等[18]开发了一个新模型DBRN,含该模型包含一个多尺度加权模块(MWM),该模块可以提取图像全局特征以定位耻骨相连(pubicsymphysis,PS)和胎儿头部(fetal head,FH)区域,并加权特征图以增强目标区域内的特征响应,同时该模型引入了用于剩余学习的边界引导双注意力残差模块(BDRM),该模块同时关注前景和背景信息,以捕捉被忽略的特征,并通过残差学习策略逐步完善分割细节,将该模型和4个基于卷积的网络及5个混合CNN-Transformer网络进行比较,结果发现该模型可以较好的模拟实际情况。先天性心脏病(congenital heartdisease,CHD)是伴新生儿出生时的心脏结构或功能的异常。Qiao等[19]提出了双路径链多尺度门控轴向变换器网络(MSGATNet)捕捉胎儿心脏四室的信息,并采用SPReCHD模型进行解析,该模型创新性的结合三维重建和形状先验,综合实验表明,该模型足以识别胎儿CHD,精度为95.92%,召回率为94%,准确率为95%,以及F1测试组得分为94.95%,显著提高了胎儿冠心病的产前检测率。

1.3　AI应用于妇产科疾病的病理诊断和生物标志物检测　除了影像学检测外,病理学和生物标志物的检测同样在妇产科疾病中发挥重要的作用。Zhao等[20]开发了一种新型的自监督三元组对比(SSTCL)模型,用于子宫内膜组织病理学图像的分类。该模型添加了一个瓶颈自注意力模型(bottleneck transformer,BoT)模型作为自注意力模块,该模型引入瓶颈结构降低计算复杂度,可以学习掩蔽图像的特征并考虑不同位置的特征来学习全局。结果显示,该模型50%标记数据集的准确率达到80.87%,在内部数据集的准确率可达到96.81%,并且该模型均优于最先进的监督和自我监督模型。Volinsky-Fremond等[21]基于全玻片图像开发了HECTOR(基于组织病理学的EC定制结果风险),这是一种多模式深度学习预后模型,结果显示该模型优于目前的金标准,该模型中预测的低、中、高风险组10年的不复发概率分别为97.0%、77.7%和58.1%,HECTOR还预测辅助化疗比目前的方法更好,为EC的远端复发提供了个性化治疗。这些研究表明AI可以利用病理学图片进行病理诊断和风险预测,有助于个性化治疗。

生物标记物同样是诊断妇产科疾病关键手段,通过DL可以更快筛选新的生物标记物,为疾病诊疗提供新的手段。Wang等[22]开发了可解释的基于注意力的DSL合奏CNN框架,以预测贝伐单抗对上皮卵巢癌或腹膜浆果乳头癌患者的治疗效果,该框架整合多个CNN模型提升整体性能,结果显示使用丙酮酸激酶异构M2和血管生成素2的蛋白质表达的组合模型的准确性,精度都达到99%,可以帮助卵巢癌患者预测贝伐单抗靶向治疗。这些表明应用AI可以用疾病的筛查提供新的预测模型,极大的提高了疾病的筛查效率,为疾病快速诊断提供了保障。

2　人工智能技术在妇产科治疗和康复与护理的应用现状

AI和深度学习除了在妇产科相关疾病的检测中发挥了重大作用,极大地提高了医生决策的效率,同样AI在妇产科疾病的治疗中发挥重要作用,其表现为利用机器人进行辅助手术治疗并进行术后的智能康复和护理。

2.1　机器人辅助手术　人工智能被描述为制造智能机器的科学和工程,它主要包括虚拟和实体两个分支,虚拟部分涉及通过深度学习模型积极指导医生做出治疗决策,实体部分主要为协助老年患者或主治外科医生的机器人[23]。达芬奇机器人手术作为一种现代的微创手术技术,已经获得广泛应用并得到了许多医生和患者的认可。自2000年7月美国食品药品监督管理局批准了Intuitive Surgical公司研发的达芬奇机器人手术系统应用于临床以来,机器人手术在国内外迅速发展。机器人设备在妇科手术中的应用包括子宫切除术、子宫肌瘤切除术、子宫内膜异位症手术、固定术、附件手术、输卵管吻合术和环扎术[24]。在机器人妇产科手术中,子宫肌瘤摘除术(64%)占比最高,其次是子宫切除术(18%)和卵巢手术(15%)。Okumura等[25]比较了机器人辅助腹腔镜子宫切除术(RAH)和全腹腔镜子宫切除术(TLH)的手术结果,结果发现无论外科医生的经验如何,RAH组的净手术时间明显短于TLH组,估计的失血量也明显少于TLH组。同样机器人手术也被应用于子宫颈癌和卵巢癌的治疗过程中,如子宫颈癌Ib1期癌症的根治性子宫切除术和早期卵巢癌全面的淋巴结切除术和腹膜活检,但是关于晚期肿瘤患者的治疗,机器人辅助手术还需要进一步评估[26]。在其他妇产科疾病的手术中,如子宫肌瘤切除手术、卵巢囊肿切除术、子宫内膜异位症手术和阴道-骶骨固定术都应用了机器人[27],尽管机器人在妇产科疾病的治疗中发挥重要的作用,但是其需要外科医生对其进行精准操作。在大部分机器人手术造成的并发症中,多数是由于粗心处理,电容式联轴器或子宫抬高不足造成的。其次也应考虑成本问题,减少机器人手术造成的患者负担。

2.2　产后康复指导　产妇在孕期分娩时,由于体内激素分泌的变化,骨盆前倾,腰椎向前弯曲、腰肌损伤、漏尿等问题,对产后身体恢复造成很大的影响。有研究表明,生殖功能障碍性疾病已成为影响女性生活质量的五大慢性疾病之一。同时,越来越多的女性在生产后会产生焦虑、抑郁等心理问题。产后抑郁症(postnatal depression,PND)对孕产妇孕产妇和婴儿的健康构成重大风险,因此早期发现对于有效干预至关重要。Amit等[28]构建了一个机器学习模型通过利用266544例女性初级保健电子健康记录(EHR)数据预测PND的风险,将基于EHR的预测与爱丁堡产后抑郁量表(EPDS)评分相结合,该模型的敏感性增加到0.76,特异性为0.80,该模型指出年龄、吸烟、孕前体质量指数、经前综合征病史、β受体阻滞药物处方与PND发生相关。与AI和联网平台集成的可穿戴设同样也为监测压力、孕产妇健康和精神疾病,提供个性化的治疗方案。Pereira团队开发了Nurturhub系统可穿戴设备,该设备使用心率传感器、EDA传感器模块和温度、加速度计传感器并使用KNN模型来评估传感器读数并生成预测,同时提供实时监控和用户友好的界面,该系统的准确率达到82%,为改善孕产妇健康提供了全面的策略[29]。

2.3　慢性盆腔疼痛的智能管理　盆底功能障碍(pelvic floor dysfunction,PFD)是一种常见的妇科疾病。主要临床表现为尿失禁、盆腔器官脱垂、大便失禁和性功能障碍。发病率维持在20%~40%[30],妊娠和分娩是盆底肌损伤的主要原因。数据显示,约40%的女性在出生后患有不同程度的盆底肌肉损伤,并且发病率随着年龄的增长而增加[31,32]。肛肌抬肌(LAM)是骨盆底支撑的组成部分,这种肌肉复合物的损伤与骨盆底疾病有关,因此记录和表征妊娠和产后LAM活动的特征有助于治疗PFD。目前研究了用具有振幅和光谱参数的非侵入性和新型磁力肌图(MMG)技术,该技术对时间和空间维度的LAM功能进行完整的评估,通过检测10例孕妇的MMG相关参数,结果发现与产后相比,妊娠第3个月的平均MMG值更高[33]。AI同样用于PFD的治疗,Roshanfar等[34]提出了治疗盆腔器官脱垂(POP)的阴道内设备,称为pessary,该设备引入了有限元分析(FEA)检查了其变形,可以根据每个患者的解剖测量,可以相应地调整基础设计。FEA分析将阴道触觉成像上96个压力数据进行分析,来测量阴道管内的前后压力,根据这些数据并改变设计参数将其引导到所需的位置。

3　结论和展望

通过AI技术可用于分析超声图像、MRI等影像资料,帮助医生更准确地检测胎儿异常、妇科肿瘤等疾病,并且可以预测疾病的发生,制定个性化治疗方案。在妇产科手术中,AI技术可以提供实时的导航和辅助,帮助医生更精确地进行手术操作。AI可结合可穿戴的智能设备和辅助治疗设备有助于疾病的治疗。同样在妇产科医学教育中,AI可通过创建逼真的虚拟临床环境,让学生进行诊断、治疗、手术操作等练习,提高实践技能。同时,AI能根据学生的学习进度、知识掌握情况和学习风格,为其量身定制学习计划和课程内容。这些研究和应用展现了AI在妇产科领域的强大应用前景,但是也存在一些潜在挑战。首先是数据隐私与安全,AI技术的应用需要处理大量的患者数据,因此数据隐私保护和安全性是重要的挑战。其次技术精准度,尽管AI在诊断和治疗方面取得了显著进展,但在某些复杂疾病的诊断和治疗中,其精准度仍需进一步提高。最后就是伦理和法律问题,AI技术的应用涉及伦理和法律问题,如患者隐私保护、诊断结果的责任界定等。

最后基于人工智能在妇产领域的研究和现状,本综述提出以下几个方面的展望,使得AI在未来可以更好地应用于妇产科领域。首先是加强技术研发与创新多学科合作,鼓励妇产科医生与计算机科学家、数据分析师等多学科团队合作,共同开展AI技术的研发和应用,针对妇产科疾病诊断、治疗和管理中的关键问题,开发更精准、更高效的AI模型。加强产学研结合,加强医疗机构、高校和科技企业之间的合作,建立产学研联盟,共同推动AI技术在妇产科领域的创新和应用。通过合作项目、科研基金等方式,促进技术转化和应用。

参考文献略。

来源：实用妇产科杂志2025年10月第41卷第10期　

(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)