从宫颈超声预测早产：为什么这些人工智能模型换一台超声机就崩溃

印度北部 GARBH-Ini 队列的一个团队与牛津大学合作，训练了多个模型（包括一个 Vision Transformer），试图从一次孕中期宫颈超声图像预测自发性早产。在内部测试中，最佳模型的 AUC 为 0.71；但在用另一台超声机采集的独立队列上验证时，它跌到 0.52，几乎与掷硬币无异。这是一个如实发表的阴性结果，它主要说明了医学影像人工智能目前还做不到的一件事：走出实验室。

背景

早产——妊娠 37 周之前分娩——仍是全球新生儿死亡的首要原因，其中一部分分娩没有可识别的诱因，称为自发性早产。提前识别高危妊娠可以采取措施（阴道黄体酮、宫颈环扎、加强监测）。如今的参考工具是在孕中期用超声测量宫颈长度：宫颈短提示风险升高。但这一指标的敏感性有限——许多最终会早产的孕妇会被漏掉。

由此产生了本研究的假设：宫颈图像也许比单纯的长度包含更多信息。组织的纹理——它的颗粒感、回声强度的微小变化——可能携带一种宫颈重塑的特征，肉眼看不见，也无法用一个距离数值概括。这正是视觉模型理应能提取的那类模式。而医学影像中有一个决定成败的问题：在一个中心的图像上有效的模型，换一台设备、换一家医院还有效吗？一个阅读提示：AUC（ROC 曲线下面积）衡量区分阳性病例与阴性病例的能力；1.0 为完美，0.5 相当于掷硬币。

方法

数据来自 GARBH-Ini，一个在印度北部随访的前瞻性妊娠队列——因此是影像文献中代表性不足的人群，这一点很重要。每位参与者都接受了孕中期宫颈超声，需要预测的结局是 37 周前的自发性分娩。团队并非只测试一种方法，而是四类，从而能在同一场地上比较经典方法与深度方法。

第一类是手工设计的纹理描述符：局部二值模式（Local Binary Patterns，LBP），它为每个像素编码其邻域的明暗模式，把图像概括为一张微纹理直方图，再由随机森林（一组按多数投票的决策树）分类。第二类是 Vision Transformer（ViT），一种把图像切成小块、并通过注意力机制学习各区域相对重要性的神经网络——如今视觉领域的主流架构。第三类仅依赖临床变量。第四类是多模态：融合图像与临床数据。

关键在于评估方案。模型首先在内部测试集（来自同一队列、预留出来的患者）上评判。随后是真正重要的考验，外部验证：模型面对一个用不同超声机采集的独立队列。这正是模拟真实部署的测试——卖给医院的工具会遇到训练时从未见过的机器、操作者和人群。

结果

在内部，信号确实存在。最佳模型达到 0.71 的 AUC（95% 置信区间：0.60–0.82），略高于单用宫颈长度的表现。也就是说，在自己队列的数据上，模型捕捉到了经典测量未能完全概括的某种东西。这正是那种在新闻稿里会变成「人工智能能预测早产」的数字。

外部验证推翻了这种解读。在用另一台设备采集的独立队列上，性能崩塌到 0.52 的 AUC（95% CI：0.38–0.64）——在统计上与随机无异。Vision Transformer 和多模态模型都没有更好：复杂度并未抵御这次下滑。一个临床高危亚组在 34 周阈值上显示出略好的判别力，但病例太少，无法得出结论。临床层面的解读直接而严峻：AUC 为 0.52 意味着在患者床旁、在一台新机器上，模型无法把将要早产者与其他人区分开。照此使用，要么会错误地安慰真正有风险的孕妇，要么会对本不需要的妊娠触发干预（环扎、黄体酮、住院）。

值得肯定之处

做了外部验证，并在失败后照样发表。绝大多数影像研究止步于内部测试，并以讨喜的 AUC 作标题。这里团队一直做到了另一台超声机上的独立队列，眼看模型崩塌，仍然如实报告。对整个领域而言，这个阴性结果胜过十个无法复现的成功：它精确指出了墙在哪里。

诚实的比较，多个模型对阵一个真正的对照。并行测试经典纹理方法（LBP）、Vision Transformer、临床模型和多模态融合，并把它们与宫颈长度——诊疗标准——相较，避免了常见的「我们的模型对阵空气」的偏倚。这也表明失败不是某一种架构的失败，而是问题本身设定方式的失败。

前瞻性队列与代表性不足的人群。GARBH-Ini 是印度北部的一项前瞻性妊娠随访，而影像人工智能研究绝大多数是在北美和欧洲数据上训练的。在这一人群中提出早产问题，并采用专门采集而非机会性数据集，是稳健的方法学选择。

不足之处

极可能存在捷径学习。从内部 0.71 到外部 0.52 的骤降，恰在更换超声机之时，正是捷径学习（shortcut learning）的特征：模型很可能学到的是训练机器的采集特征——设置、专有后处理、特有颗粒感——而非宫颈的生物学。它辨认的不是高危宫颈，而是一台设备。这是影像人工智能的核心失效模式，在此被真实地演示了出来。

生物学上异质的目标，以及在亚组上脆弱的指标。自发性早产不是单一疾病，而是一个病因多样的综合征（感染、炎症、机械因素、特发性）。指望一张宫颈图像预测所有这些轨迹，很可能不切实际。而看似最佳的结果——34 周阈值上的高危亚组——建立在很少的病例之上：这是一个具误导性的指标，一个令人鼓舞却过于不精确、不可依赖的数字。

需要牢记的证据局限。这是一篇尚未经过同行评审的预印本；外部置信区间很宽（0.38–0.64），说明验证样本量有限；只测试了另一台机器，而真正的泛化需要多个厂商、多个中心；也未宣布公开代码或权重，这暂时使得无法在别处重演这次审计。因此不能排除更稳健的训练方案可能做得更好——研究显示的是一种方法的失败，而非任务的不可能。

这意味着什么

对研究界而言，这一信息是有益的提醒：内部 AUC 再诚实，在经受住换设备的考验之前也一文不值。多机器外部验证应成为常态而非例外，像这样的阴性结果理应更常被发表。眼下展开的具体工作是硬件鲁棒性：图像标准化、模拟多台超声机的数据增强、域不变学习。

对临床医生而言，实践中没有任何改变，而这正是有用的信息：这些模型没有一个已准备好用于患者床旁。用超声测量的宫颈长度，必要时联合阴道黄体酮，仍是筛查和预防早产的参考框架。宫颈纹理人工智能在今天并不是可靠的补充。

对患者与公众而言，这一教训是对营销的解药。当一则公告承诺一款「能预测早产的人工智能」时，正确的问题不是「它有多准？」，而是「它是否在另一台设备、另一家医院、另一人群上测试过？」。本研究显示，这个问题的答案能把一款工具从有前景变为无用——也说明了为何那些拒绝过快部署的团队所持的谨慎，在这里直接保护了孕妇。

延伸阅读

预印本见 medRxiv（2026.07.17.26358221），由 Radhika Chanian、Divyanshu Mishra、Rahul Jain、Nikhil Sharma、Ashok Khurana、Reva Tripathi、Abhinav Tripathi、GARBH-Ini study group、Nitya Wadhwa、J. Alison Noble（University of Oxford）、Ramachandran Thiruvengadam、Bapu Koundinya Desiraju 和 Shinjini Bhatnagar（THSTI）于 2026 年 7 月提交，尚未经过同行评审。关于影像模型的泛化与外部验证，另见我们关于一款皮肤癌皮肤镜人工智能的外部临床验证、病理基础模型面对扰动时的鲁棒性，以及一款卒中风险模型的多中心验证的解读。

编辑透明度：法文版由 Tatakoto 编辑部在阅读该预印本后撰写并署名。英文、西班牙文和中文译文在人工智能协助下产生并经审校。