仅凭超声图像由AI预测分娩日期:在智利四家公立医院的外部验证,其优势主要来自280天规则的偏差

一支智利团队在不重新训练的前提下,测试了一款仅凭超声图像预测距分娩剩余天数的商业软件,样本为四家公立医院2,550例妊娠的3,788次检查。该模型的平均误差为6.9天,而按280天规则计算的预产期误差为11.6天;对于未在孕早期确定孕周的妊娠,二者分别为6.4天和13.2天。但作者自己证明,只要校正该人群中预产期的系统偏差,这一差距的大部分便会消失:真实收益比标题数字更有限,且主要惠及孕周不明确的妊娠。

背景

预产期(EDD)的计算方法是在妊娠起点上加280天,即40周。这个起点通过末次月经日期估算,或更准确地通过孕早期测量胚胎的头臀长(CRL)来确定。然而,分娩很少恰好发生在预计当天,而且相当一部分女性没有早期超声检查:妊娠发现较晚、产检开始较晚或有迁徙经历。对她们而言,孕周判断不确定,分娩安排也随之不确定。

Ultrasound AI是一家位于美国肯塔基州列克星敦的公司,其销售的模型直接从超声图像预测距分娩的时间,输入中不包含任何测量值、孕周或临床数据。开发研究PAIR(Patel等,Journal of Maternal-Fetal & Neonatal Medicine,2025年)纳入了来自单一中心(肯塔基大学)的5,714名患者。据行业媒体报道,该产品名为Delivery Date AI,于2026年通过De Novo途径获得FDA授权,作为在末次月经或生物测量推算孕周不可靠时的辅助工具。此前尚缺乏美国以外的独立评估。

方法

这是一项外部验证:将一个冻结的模型应用于它从未见过、来自另一人群的数据。作者对2021年3月至2025年11月在圣地亚哥地区四家公立医院部署的系统输出进行了事后分析:Barros Luco Trudeau(1,563次检查)、Padre Hurtado(1,310次)、El Pino(527次)和Dr. Luis Tisné Brousse(388次)。报告遵循TRIPOD+AI,即发表预测模型的良好实践规范。

模型接收一次检查的图像(中位数14张),输出分位数,即一个预测区间:例如"分娩有80%的可能性发生在某日至某日之间"。由于软件为专有产品,其架构未被描述。在4,515次与结局关联的检查中,作者排除了402次双胎妊娠检查和325次数据不足的检查,最终保留3,788次。三分之一的妊娠(33.4%)贡献了多次检查;因此置信区间采用妊娠层面的bootstrap(自助法,3,000次重抽样)计算,避免把同一位患者当作相互独立的样本重复计数。

研究人群较为多样:34.4%为移民女性(其中委内瑞拉籍14.6%,海地籍8.4%),16.6%疑似胎儿生长受限,12.8%患妊娠期糖尿病。12.5%的妊娠在孕早期没有可靠的孕周判定。对照为官方临床预产期。主要指标为平均绝对误差(MAE),即预测日期与实际日期之间以天计的平均差距,不考虑方向。

结果

机器学习指标方面:模型的MAE为6.9天(95% CI 6.7–7.0),预产期为11.6天(11.2–12.2),即少4.8天(p < 0.001)。在69.2%的检查中模型优于预产期。在孕周不可靠的女性中,其MAE为6.4天,对比13.2天。对于早产(37周前,262次检查),MAE为10.8天,对比37.5天:这并不意外,因为固定在40周的预产期无法预见提前分娩。不同医院间误差差异不大(6.0至7.7天)。预测区间校准良好:名义约94%的区间在96.5%的情况下包含真实日期,平均宽度为41.4天。

最重要的数字在别处。在该队列中,传统预产期存在10.8天的系统偏差:280天规则与该人群的实际分娩日期存在偏移,而且这并非引产所致(自然分娩偏差10.8天,引产10.9天)。作者因此构建了一个经平均偏移校正的"理想"(oracle)预产期。与之相比,模型的优势降至0.7天,差异无统计学意义(p = 0.19)。仅看自然分娩时,模型仍保有精度优势:6.3天对比8.2天。

临床换算,每1,000次检查:模型将分娩时间预测在实际日期一周以内的有568次,原始预产期为376次;两周以内为924次对比729次;误差超过四周的为3次对比40次。但这一收益中的很大一部分,只需将所有预产期统一平移同一数值即可获得,这种本地调整并不需要AI。

做得好的地方

第一,真正的外部验证:一个冻结的美国模型,应用于另一个国家的四家公立医院,时间跨度近五年,覆盖2,550例妊娠,且移民人群比例高。对于仅凭单中心数据获批的器械,这正是所缺少的研究类型。

第二,难得的坦诚:作者公布了将自身主要结果降为无显著差异的"理想预产期"分析,并写进了摘要。他们还补充了敏感性分析(自然分娩、每例妊娠仅一次检查、首次与末次检查),所得MAE均接近7天。

第三,预测区间的校准逐医院报告(94%区间覆盖率为96%至99%),在相同孕周窗口内的比较显示,模型在孕周不明确的女性中表现同样良好(孕14至28周为7.3天对比7.1天)。这正是该工具的适用人群。

不足之处

第一,对照有偏。偏移10.8天的原始预产期是一个容易击败的对手;真正的竞争者——同次检查中测量的胎儿生物测量(Hadlock公式)——因未存档测量值而无法检验。作者承认了这一点。缺少这项比较,就无法知道模型是否比判读得当的常规超声提供了更多信息。

第二,存在无法核实的shortcut learning(捷径学习)风险:只看图像的模型可能主要在估计胎儿大小,即隐式地重做生物测量,而不是识别妊娠晚期特有的成熟征象。由于软件闭源(架构、权重和训练数据均不可获得),无法进行任何可解释性分析。此外还有具有误导性的指标:0.97的R²看起来惊人,但它被距分娩天数的巨大跨度(视检查时孕周而定,从几天到约六个月)所抬高;MAE以及7天和14天内的准确比例更有说服力。

第三,研究框架的局限:这是对已部署系统的回顾性研究,未测量其对临床决策(引产、转诊、产科病房安排)的影响;仅限一个国家且仅限公立部门;排除了727次检查;亚组之间的多重比较未作校正。在独立性方面,作者声明无利益冲突,并表示公司既未资助也未干预研究,但该研究没有专项经费,而且在我们阅读的预印本版本中,分析代码的链接(Zenodo、GitHub)仍是待填写的占位符。

带来的改变

对研究界:这是一个有用的报告范例,展示了如何区分收益中源于校正人群偏差的部分与源于真正额外精度的部分。显而易见的下一步,是与同次检查的生物测量进行直接比较,并开展测量临床结局的前瞻性研究。

对临床医生:对于孕早期已确定孕周的女性,获益很小,本地重新校准预产期即可获得其中大部分。对于就诊较晚且孕周不可靠的女性,平均误差约一周的校准区间可以帮助安排随访,但只能作为临床判断的补充而非替代。94%区间仍然很宽(超过40天)。

对患者和公众:AI并不能"猜中"分娩当天。它可以在缺少孕周信息时降低不确定性,但这项研究也提醒我们,像"40周"这样古老的规则,也应根据其所应用的人群加以调整。

延伸阅读

正式发表论文:npj Digital Medicine,2026年11月5日(DOI 10.1038/s41746-026-03453-0),Alliende-Ferrada、Inostroza、Stern、Pérez-Cotapos、Ruz等。预印本:Research Square rs-9999161(DOI 10.21203/rs.3.rs-9999161/v1)。开发研究:Patel等,"Perinatal artificial intelligence in ultrasound (PAIR) study: predicting delivery timing",J Matern Fetal Neonatal Med 2025,DOI 10.1080/14767058.2025.2532099。报告规范:TRIPOD+AI。

编辑透明度说明:本文由Tatakoto自动化编辑流程根据预印本版本(Research Square,2026年6月)生成;未能查阅发表于npj Digital Medicine的最终版本,部分数字可能略有不同。英文、西班牙文和中文版本由AI生成。发现错误?请联系我们。