作者：李博涵，段华，首都医科大学附属北京妇产医院 北京妇幼保健院妇科微创中心

子宫是受精卵着床和胚胎发育的主要场所，正常的子宫腔结构与内膜状态是维持子宫生育功能的基础。子宫内膜损伤宫腔粘连（intrauterine adhesions，IUA）多继发于人工流产、不全流产清宫等与妊娠相关的子宫腔操作，约占子宫性不孕的40%以上，严重影响生育功能［1-2］。其病理基础在于子宫内膜基底层受损后，正常子宫内膜被纤维结缔组织替代，导致宫腔挛缩、容积缩小及容受性下降［3］。临床上，IUA患者常表现为月经量减少、闭经、不孕、胎停育及反复流产等不良生殖结局［4］。目前，IUA患者生育功能的评估主要依赖宫腔镜检查及超声检查，结合评分体系进行分级判断［5-7］。这些方法在评估粘连范围和宫腔形态方面具有重要价值，但整体上仍以形态学观察为主，难以整合子宫内膜厚度、血供状态、组织学改变及患者临床特征等多维信息。研究显示，子宫内膜损伤宫腔粘连手术次数与生殖预后呈显著负相关，多次手术会显著降低患者的妊娠率及活产率［8］。近年来，人工智能技术在医学影像分析和临床数据挖掘领域取得快速发展［9］。多模态人工智能通过融合影像学及临床资料等不同类型数据，能够从多维度客观刻画疾病特征，为复杂临床结局的预测提供新的技术路径。在子宫内膜损伤IUA领域，引入多模态人工智能，有望突破传统单一评估方法的局限，更全面地反映子宫内膜结构与功能状态，为患者术后生育结局的个体化预测和临床决策提供辅助支持。

1  多模态人工智能技术与应用概况

子宫内膜损伤宫腔粘连患者的生育结局受多种因素影响，其影响机制具有明显的多维度和异质性特征。临床实践中，生育结局不仅与宫腔粘连的范围、部位及严重程度相关，而且还受到残留子宫内膜面积、血供、炎症反应与纤维化程度以及患者卵巢功能等多方面因素的影响［10-11］。然而，现有评估体系主要基于宫腔镜形态学观察或单一影像学指标，对上述复杂因素的整合能力有限，难以实现对生育结局的精准预测。近年来，随着医学影像数字化和电子病历规范化进程的推进，人工智能技术逐渐被引入妇产科临床用于辅助疾病评估与临床决策。其中，多模态人工智能以能够同时整合不同来源、不同类型医学信息，在复杂疾病评估中显示出独特优势。

多模态人工智能是利用深度学习方法，对影像、病理及临床资料等多源异构数据进行联合建模，实现跨模态信息互补与协同分析。“多模态”通常包括内镜、超声、磁共振等影像数据、组织学或相关生物学指标，结合患者年龄、病史、内分泌指标和治疗经过等临床信息进行整合［12］。相较于单一影像或单一指标的人工智能模型，多模态模型能够在同一分析框架下同时反映疾病的结构特征与功能状态，更接近真实的临床决策过程［13］。

肿瘤及生殖医学等领域的研究已证实，多模态人工智能在疾病结局预测方面优于单模态模型，其预测AUC值可达到0.80~0.90，显示出更高的稳定性和泛化能力［13］。这提示，对于病理机制复杂、结局高度个体化的疾病，多维信息整合具有重要意义。对于子宫内膜损伤宫腔粘连而言，引入多模态人工智能技术，将宫腔镜影像特征、超声参数以及患者临床信息进行系统整合，可从结构与功能两个层面更全面地评估子宫内膜状态，为生育结局的个体化预测提供新的技术路径。

2  多模态人工智能评估与现有评估方法的区别

目前临床上，对子宫内膜损伤IUA患者的诊断与评估主要依赖宫腔镜形态学观察、超声影像学检查及相关评分体系［7］。这些方法在明确子宫内膜损伤宫腔粘连的同时，也同时对子宫腔的形态学改变、子宫内膜破坏程度以及残留内膜的多少与分布等具体指标进行了量化。但是，这些评估主要关注的是子宫内膜损伤后子宫腔的形态学改变［6］。为提高评估的标准化水平，国内外相继提出 结合针对宫腔粘连的不同评分体系如美国生殖学会（AFS）、 欧洲妇科内镜学会（ESGE）及中华医学会妇产科学分会妇科内镜学组（CSGE）等，其中在CSGE的评分体系中增加了对输卵管开口与既往子宫腔操作史等指标，为准确诊断和子宫内膜损伤程度的分期提供了更多参考［14］。研究显示，基于宫腔镜形态学特征预测术后生育结局的灵敏度约为72%~75%，具有一定预测价值［15-16］ ，但难以全面反映子宫内膜功能状态及个体生育潜能差异。且存在主观判断差异，不同医师间评估的一致率为77.6%，可能直接影响生育结局评估的稳定性［17］。超声影像学检查，尤其是三维经阴道超声（3D-TVUS）可通过测量子宫内膜厚度、血流信号及宫腔容积变化，对生育预后进行间接判断。然而，上述指标易受月经周期、内分泌状态及检查时机影响，其稳定性和可重复性有限［15-16］。

多模态AI能够将宫腔镜提供的高维空间形态特征、超声影像提供的子宫内膜纹理特征与临床病历中的异质性背景信息进行对齐与整合。相较于传统评估依赖人工提取有限的宏观指标，AI能够挖掘出肉眼难以察觉的子宫内膜修复潜能标志物。这种多维度的系统量化，将评估维度从单纯的“解剖形态”提升至“结构-功能-个体背景”的综合评估［10］。通过对现有检查结果进行深度整合与量化分析，多模态人工智能有望提高生育结局预测的稳定性和一致性，为术前风险分层、术后随访管理及生育指导提供更具参考价值的辅助信息，从而推动宫腔粘连生育评估由经验判断向数据驱动决策转变。

3  人工智能在子宫内膜损伤宫腔粘连多模态特征提取与评估中的应用

单一模态的智能化特征提取是多模态融合的先决条件，对子宫内膜损伤IUA，生育结局受宫腔结构改变、残余功能性子宫内膜状态以及个体生物学背景等多因素共同影响，有效提取临床各个模态信息对于综合评估并实现临床结局预测至关重要。

3.1  人工智能在宫腔镜特征提取与生育结局预测中的应用  宫腔镜被公认为诊断IUA最直观、最准确的检查手段，其在评估宫腔解剖结构完整性、残留子宫内膜情况及粘连范围等方面具有不可替代的优势。宫腔镜下的粘连部位、范围、致密程度及子宫角、输卵管开口显露情况等形态学指标是反映IUA生育预后的核心因素。早期研究便通过探索量化宫腔镜参数，包括宫腔长度、双侧输卵管开口显露情况及粘连评分，构建预测术后活产结局的模型，准确性指标 AUC 为0.7~0.8［11，18］，此类研究明确了若干子宫腔形态的关键结构性表型与生育结局相关，但特征维度有限、部分特征如子宫内膜状态、粘连程度及AFS评分等依赖操作者经验进而影响其临床应用的稳定性与一致性。

深度学习的引入，使宫腔镜图像特征提取从人为地选取少数的指标升级为智能化捕捉内膜表面纹理和血管形态等高维信息，从而实现千万级别特征参数的提取，极大地提升了预测的准确性。在基于IUA患者4922张宫腔镜图像训练构建的卷积神经网络（CNN）研究中，模型通过自动学习与妊娠结局相关的图像表征，其预测生育结局与临床真实结局的一致性指标C指数达0.940，且与高年资宫腔镜医师之间的一致性κ值为0.89［19］。基于多种迁移学习模型的预测系统中，模型在精确预测IUA生育结局的同时，还能将关键特征参数可视化，高亮显示宫腔结构异常区域，为临床医师提供直观的辅助支持，协助识别导致不孕的高危因素，使模型从单纯的输出概率扩展为可定位的结构异常线索［20］。在人工智能赋能的宫腔镜子宫腔形态特征提取的研究发展中，各模型已非单纯提高准确性，更聚焦于把结构表型自动化、标准化并可视化呈现，降低观察者差异，为多模态融合提供稳定的结构特征输入。

3.2  超声联合AI分析在子宫内膜功能评估与特征提取中的应用  三维经阴道超声是IUA诊断与分级的另一重要手段，诊断IUA的灵敏度86%、特异度90%［21］。随着人工智能技术的引入，基于超声图像的分析逐渐从传统的形态学判断，拓展至对子宫内膜功能状态及术后生育结局的量化预测。

不同于宫腔镜直视下的空间结构，超声可提供包括子宫内膜厚度、回声均匀性、分段性瘢痕收缩、子宫内膜缺损的分布分段、输卵管等功能性量化指标，均证实与术后生育和活产结局密切相关［22］。随着影像组学方法的引入，使超声图像中难以肉眼识别的纹理、灰度分布及空间结构信息得以充分提取分析。超声影像不仅能够反映子宫内膜的宏观结构状态，而且还可能间接揭示残余功能性内膜及局部微环境的修复潜能。通过对子宫内膜厚度、纹理特征、血流信号及残余功能区的系统分析，影像模态人工智能为术后生育潜能的客观评估提供了重要依据，也为多模态信息融合奠定了坚实基础。

3.3  临床模态信息的提取及其在IUA生育结局预测中的应用  在IUA生育结局评估中，临床模态信息始终是影响预测准确性的关键组成部分。既往研究表明，患者年龄、子宫体积、内分泌状态、生物学指标、既往手术史及术后治疗方案等多种临床因素，均可在不同层面影响IUA的复发风险及生育结局［23-24］。

年龄是影响IUA生育预后的重要因素。多项研究显示，随着年龄增加，子宫内膜再生能力下降，术后妊娠率明显降低。在基于机器学习的预测模型中，年龄常被识别为权重较高的变量之一，与术后持续妊娠结局呈显著相关［11］。此外，月经恢复情况作为内分泌及子宫内膜功能的综合反映，被多项研究证实具有较强预测价值［11，25］。决策树模型显示，术后月经模式是预测中重度宫腔粘连患者活产结局的根节点变量［25］。生物学指标，特别是系统性免疫炎症指数和中性粒细胞淋巴细胞比值等炎症标志物，可反映术后子宫内膜修复与再粘连风险，其动态监测值的预测AUC可超过0.85［26］。此外，粘连的部位与范围、既往手术史以及术后治疗方案均是影响预后的关键临床因素。通过机器学习算法整合上述因素，包括年龄、术后宫腔形态、治疗措施等多维信息，可显著提升模型性能。有研究显示，整合临床信息构建的预测模型在验证集中AUC可达0.985，表明多维临床信息同样是提高预测准确性与稳定性的关键［11］。

综上所述，人工智能在IUA的宫腔镜、超声以及临床信息等特征的提取均已逐步由既往的人工模式向智能化、自动化转变，这也为深入探究临床影像及数据的高维度特征提供了可能。宫腔镜AI强化了对结构表型的自动量化与可视化定位，超声AI推动了对子宫内膜功能相关线索的结构化与动态随访评估，临床信息与实验室模态则补齐了个体背景差异的特征体系。这些单模态特征的稳定提取与可解释关联，构成多模态模型进一步融合、实现生育结局综合评估与临床分层管理的基础。

4  多模态人工智能对子宫内膜损伤宫腔粘连生育结局预测的价值

在智能化提取数据特征的基础上，多模态人工智能的价值并不在于简单叠加不同数据来源，而在于通过统一建模框架，实现不同维度信息的协同表达，使结构、功能与个体背景之间的相互作用得以量化呈现。基于既往肿瘤学、心血管疾病等领域的研究经验，多模态模型常以影像模态提供的高维空间特征为核心输入，同时引入临床与实验室变量作为背景校正因子进行整合。而在子宫内膜损伤IUA，则需考虑将子宫腔结构的改变、子宫内膜的功能状态与个体生育能力放置于同一预测框架下进行综合权重分配，从而避免单一模态对某一维度信息的过度放大。已有研究显示，融合宫腔镜图像与电子病历数据的多模态系统，在1年自然妊娠预测中AUC可达0.967［10］。另一项研究中，基于超声影像组学与炎症指标联合模型，预测生育结局的AUC达0.886［26］，同样优于单一影像或单一实验室指标模型。这些研究均表明通过对不同维度信息的协同整合，有助于提高人工智能对复杂生育结局的整体解释能力。

但是，与肿瘤学或心血管影像领域已发展出的深层跨模态融合模型相比，当前IUA领域的多模态研究仍处于相对初级阶段［27-28］。模型停留于不同模态特征的并列整合，对于包括宫腔镜下结构异常与超声纹理改变之间空间对应关系，子宫腔形态与子宫内膜状态特征与炎症指标之间的可解释的交互机制等不同模态之间内在生物学关联，尚缺乏深入探究与系统解析，更多体现为特征叠加，而非真正意义上的跨模态协同特征学习。这一不足限制了模型在IUA深层机制层面的解释能力，也在一定程度上影响了其临床稳定性及推广潜力。

尽管如此，多模态人工智能在IUA生育结局预测方面仍存在巨大的临床应用价值与潜力。通过输出个体化妊娠概率，模型可进行风险预测与分层。已有研究显示，基于多模态模型计算的自然妊娠概率可用于指导术后管理决策，自然妊娠概率较低的患者若及时衔接辅助生殖技术（ART）治疗，其ART获益可提高约6倍，从而减少等待时间带来的生育机会损失［10］。这种基于概率输出的风险分层机制，使预测结果能够嵌入临床路径管理，实现由经验诊疗向数据驱动分层管理的转变。

5  小结与展望

多模态人工智能为子宫内膜损伤IUA生育结局预测提供了新的系统化分析框架，其优势不仅体现在多维信息的整合及预测性能的提升，更在于为风险分层与个体化治疗决策提供量化依据。但需要强调的是，人工智能应被视为辅助临床决策的工具，而非替代医生经验与判断。但其价值在于提升信息整合效率、减少主观偏倚，并为复杂临床问题提供量化参考。而之后的研究仍需进一步深化跨模态关联建模、提升模型可解释性，并通过前瞻性多中心研究验证其真实世界效益，多模态人工智能有望成为连接子宫腔结构评估、生育衔接策略选择与精准随访管理的重要桥梁。

参考文献略

利益冲突  所有作者均声明不存在利益冲突

作者贡献声明  李博涵：文献检索与整理、论文构思与撰写；段华：研究思路设计、内容指导与论文修改 

来源：李博涵，段华.多模态人工智能技术对子宫内膜损伤宫腔粘连生育结局的预测［J］.中国实用妇科与产科杂志，2026,42(3)：268-272.