作者：陆尧胜，李致远，白杰云，杨梓铎等，
人工智能（artificial intelligence，AI）正加速向临床实践转化，尤其在数据密集且决策复杂的产科领域展现出巨大应用潜力［1］。妊娠过程的动态性、关键并发症（如子痫前期、
AI在产科领域的应用，目前已有较多综述报道［3］。然而，现有综述多以单一环节或孤立场景为切入点，缺乏对妊娠连续性的整体把握。这种“点状”综述范式难以揭示跨周期数据整合与动态追踪的潜在价值。
鉴于此，本文提出“全孕程”分析框架，从产前、产时与产后三大阶段系统梳理AI在产科领域的研究进展，关注跨阶段数据在风险评估与临床决策中的潜在作用。在此基础上，结合循证医学框架，总结当前产科AI在数据基础、临床应用、验证路径及安全治理等方面面临的共性问题，并讨论其面向临床实践的可行发展方向。
01AI在产科各阶段的应用进展
AI在产科的应用已呈现出贯穿妊娠全周期的特点。从循证医学视角来看，目前该领域研究主要集中在基于回顾性数据的模型开发（多属于 Oxford 2011 体系中的 Level Ⅳ 证据），正逐步向多中心前瞻性验证过渡。
1.1 产前阶段的AI应用 产前管理是保障母儿安全的关键环节。AI应用主要集中在自动测量、生理风险预测与结构功能评估3方面。
1.1.1 胎儿生物特征测量 AI可以帮助医生完成胎儿生物特征测量，减少主观误差、提高效率。在孕早期，AI能自动判断头臀长（CRL）标准切面并估算孕周［4］，将妊娠囊与胎芽测量误差控制在1.5 mm以内［5］。孕中晚期，AI应用扩展至动态过程分析，例如Płotka等［6］通过分析超声视频自动追踪生长参数，图像分割技术实现了
1.1.2 妊娠风险预测 AI在风险预测中展现出高精度。Wang等［8］基于胎囊图像预测早期
AI新型模型（如Vision Transformer）在结构筛查中优于传统卷积神经网络（CNN）［12］，识别唇裂等面部异常准确率提升至88%［13］。在心脏筛查中，AI提升了标准切面获取率［14］及畸形检测率（91.7%）［15］，筛查主动脉缩窄AUC高达0.96［16］。功能评估方面，AI有效提高了胎盘植入检出率［17］，结合血流动力学预测胎盘功能不全的AUC达0.89［18］。
总体而言，AI在产前诊断阶段多停留在单中心回顾性验证层面，缺乏多中心前瞻性研究支持，其临床应用价值仍有待进一步验证。
1.2 产时（
1.2.1 智能化胎心监护 AI在产时应用最广的是辅助持续胎心监护（CTG）判读［19］。刘瀛等［20］的综述表明，部分基于 CNN 的 CTG 自动判读方法在与人工标注结果的比较中具有较好一致性。有研究采用混合模型识别异常准确率超过95%［21］，更有模型通过分析胎心率变化预测胎儿酸中毒风险。数据质量至关重要，一项研究指出，仅27.3%的电子胎儿监护（EFM）样本因数据完整而可用，这凸显了高质量数据预处理的重要性［22］。
1.2.2 产程评估与分娩预测 在产程评估方面，AI可以自动识别子宫颈长度与形态［23］，并基于多模态信息实现产程阶段的风险预警［24］。在分娩预测方面，Bai 等［25］提出的数字孪生多模态模型准确率可达 93%。Owusu等［26］融合临床病历特征预测剖宫产概率（AUC=0.988）。De Ramón Fernández等［27］的研究则证实了模型在引产等特定子群中的稳健性（AUC=0.794）。
1.2.3 手术规划与辅助决策 当需要手术干预时，术前，AI能依据影像资料进行三维重建。术中，AI可通过计算机视觉实时识别剖宫产瘢痕等解剖标志，降低误伤风险［28］。AI可以识别手术器械的位置，并提示手术操作的关键点［29］。此外，AI还可辅助产科麻醉，通过分析患者解剖数据规划神经轴阻滞路径，以提高穿刺成功率［30］。
尽管分娩期相关AI研究已开始探索实时或准实时应用场景，但整体仍以回顾性分析为主，模型在真实临床流程中的稳定性与可重复性尚未得到充分验证。
1.3 产后阶段的AI应用 为应对传统产后管理随访难、数据脱节的问题，AI应用正向并发症预警、新生儿监测及远程康复延伸。
1.3.1 母体并发症预警与心理筛查 在母体并发症预警方面，针对
1.3.2 新生儿健康监测 AI可以融合皮肤图像与胆红素水平，预测
1.3.3 个性化康复与远程随访 在康复指导方面，AI通过动作捕捉实时指导盆底肌康复［39］，利用视觉算法早期识别
综上，现有产后阶段AI研究多集中于结局关联分析，缺乏长期随访与前瞻性设计，其在持续健康管理中的实际效用仍有待评估。
02产科AI临床转化的现实困境
尽管AI在产科展现出广阔应用前景，但其从科研成果向临床实践转化的路径中，仍面临多重系统性障碍，导致现有的技术优势尚未转化为整合性的临床效益。
2.1 数据异质性与跨中心整合难题 当前产科数据面临两大核心障碍，一是“数据孤岛”，不同机构间缺乏有效互联，难以形成跨中心的大规模研究基础。其二是显著的“异质性”，表现为数据采集流程、设备标准及质控体系不一致。这两个问题共同限制了模型在多中心场景下的泛化能力。
2.2 工作流集成与算法可解释性不足 AI工具与一线诊疗实践之间存在明显的“兼容性断层”。目前多数 AI 系统以独立软件形式存在，未能无缝嵌入现有的临床路径，反而增加了医生的操作负荷。更为关键的是，深度学习模型的“黑箱”属性导致其决策过程缺乏透明度［44］。在产科这种涉及母胎双生命安全的高风险场景下，医生难以评估算法推荐（如紧急剖宫产建议）的可靠性，这种可解释性缺失严重阻碍了科研成果的临床效益转化。
2.3 缺乏高等级循证医学证据支持 现有产科AI研究多滞留于循证医学证据金字塔的基底部分。绝大多数模型仅完成了基于回顾性数据的内部交叉验证（Level Ⅲ~Ⅳ证据），缺乏多中心外部验证，更鲜有严格的随机对照试验（RCT）（Level Ⅰ证据）来证实其改善母儿结局的净效能。这种从算法性能到临床效能的证据断链，使得临床医生难以评估AI工具的真实获益，严重阻碍了其作为医疗器械软件的准入进程。
2.4 数据安全监管与伦理治理困境 产科数据的特殊性要求极高的合规标准。美国食品药品监督管理局（FDA）、中国国家药品监督管理局（NMPA）及欧盟《AI法案》均对高风险医疗 AI 制定了监管要求，以保障患者安全。然而，在“母胎双生命体”伦理约束下，算法误判责任尚无明确判例，多中心数据共享仍受限于隐私和伦理机制，导致“数据孤岛”难以在合规前提下被打破。
03产科人工智能的未来发展趋势
综上所述，本文从产前、产时与产后3个阶段系统梳理了AI在产科领域的主要应用进展，并分析了其在真实临床转化过程中面临的数据、验证、工作流与伦理治理等共性挑战。本章将从研究范式演进、整合性框架构建、关键技术与临床转化路径以及安全治理等方面，对产科人工智能的发展阶段与未来趋势进行综合讨论。
3.1 产科AI发展的阶段性特征评价 当前产科AI研究整体呈现出由单任务算法验证向临床流程关联分析过渡的阶段性特征。既有研究多围绕具体任务（如影像自动测量、CTG 判读或结局预测）展开，评价指标以 AUC、准确率等算法性能为主，而对母儿结局改善、临床决策影响等终点指标关注相对不足。从研究范式看，产科 AI 仍以回顾性、单中心研究为主，系统性覆盖妊娠全过程的研究相对稀缺。这种“点状突破为主、跨阶段整合不足”的特征，在一定程度上限制了模型在真实临床场景中的应用深度。要推动产科 AI 真正进入临床，亟需从碎片化任务开发转向以临床终点为导向的系统性重构。
3.2 全孕程智慧闭环（whole-cycle intelligent closed-loop，WICL）整合框架的构建 针对当前产科诊疗过程中存在的阶段割裂与信息利用不足问题，本文在综合既有研究基础上，提出一种WICL的概念性整合框架（图 1），以期从整体视角理解AI在妊娠全过程中的潜在作用。
该框架的核心在于强调跨阶段数据的连续利用与动态反馈机制［45］。在这一整合视角下，产前采集的影像与血清学指标不再是孤立的片段，而是作为先验输入用于校准分娩期预测模型的参数，可显著提升对高危分娩事件的识别精度；分娩过程中产生的大量监护与产程数据，则可延展至产后阶段，形成个体化的动态轨迹基线，用于并发症的早期预警，从而为临床干预提供更及时的依据。而产后真实的母儿结局信息则反向回流，用于修正产前风险模型的偏差。通过这种“预测-验证-修正”的闭环机制，数据流转将碎片化的临床观察转化为可迭代的医学知识体系。
3.3 关键技术攻关与临床转化路径 实现全孕程智慧闭环不仅依赖于底层技术的实质突破，更需解决真实世界的转化障碍。在算法演进方面，应依托多模态融合与医学知识图谱打破孤立的数据形态，利用母胎数字孪生（digital twin）技术实现产程管理的虚拟仿真。同时，基于医学基础模型（medical foundation models）［46］构建的“临床智能副驾”，将推动 AI 从简单的信息辅助向深度的决策协同演进。针对跨中心应用中的“性能偏移”问题，需通过迁移学习提升算法的领域自适应能力。而在准入层面，学科发展的核心应转向验证规范化，即推动智能 CTG 判读等工具开展多中心 RCT 研究，以获取三类医疗器械注册证并正式嵌入临床路径。
3.4 安全治理与全孕期管理演进 在推进技术落地的同时，必须针对产科“母胎双生命体”的特殊性筑牢伦理与安全基石［47］。这要求推广联邦学习等隐私增强技术，在不泄露原始数据的前提下实现合规的跨机构联合建模，并建立覆盖算法误判责任划分与伦理审计的法律框架。从学科演进的长远视角来看，产科 AI 的重心将从数据基建（如构建符合 FHIR 标准的专病数据库）逐步转向覆盖“产前监测、产时监护、产后康复”的全周期智慧生态。
因此，产科 AI 的价值应体现在对全孕程诊疗模式的系统性重塑，而不仅是局部效率的提升，其最终目标是构建更加安全、可持续的母儿健康服务体系［48-53］。
利益冲突 所有作者均声明不存在利益冲突
作者贡献声明 陆尧胜：研究策划、统筹与总体设计、完成论文最终稿审校；李致远：文献研究、撰写论文初稿和修改；白杰云，杨梓铎：文献筛选、论文修改；孔琳，
参考文献 略
来源：《中国实用妇科与产科杂志》2026年1月 第42卷 第1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。)
