中华医学会围产医学分会

人工智能(artificial intelligence, AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

20世纪50年代中后期人工智能的概念被马文·明斯基等10位科学家首次提出^［1］。现如今AI技术进入了爆炸性发展时代，应用于许多行业，包括医疗行业。从20世纪70年代的专家系统开始，AI产品已被应用于人类疾病的诊断和治疗。2018年Kermany等^［2］提出的用于眼底疾病分类的诊断模型，是首次使用标注好的高质量数据建立AI系统。目前，医学AI 领域早期的探索应用大多并不理想。AI在产科学中研究应用较为广泛的领域主要有人工神经网络﹑机器学习和专家系统等。

本文综述了近年来AI在产科学领域中的研究进展，了解其应用的现状、目前存在的问题以及对未来的展望。

一、AI在高危妊娠筛查中的作用

产前检查与孕期保健是降低孕产妇死亡率和出生缺陷的重要措施。通过对孕妇及胎儿的孕期监护，能够尽早地发现和治疗妊娠期并发症以及胎儿异常，并结合孕妇与胎儿的具体情况，确定分娩方式，保障母婴安全。

已经有卫生保健机构采用电子临床决策支持系统进行产前和产时监测，特别是在一些资源有限的地区、发展中国家，使用电子临床决策支持系统可有效提高工作效率、及时发现胎儿异常，早发现、早治疗，减少不良妊娠结局的发生。

Mensah等^［3］和Sukums等^［4］报道，将孕产妇保健质控（The Quality of Maternal Care, QUALMAT）项目引入一个电子临床决策支持系统（electronic clinical decision support systems, eCDSS），促进了资源有限地区遵守临床实践指南，eCDSS不仅不会增加产前保健时间，而且简化了部分工作流程，有利于提高护理质量。

Singh等^［5］报道了一项关于孕产妇早期产科预警系统(Maternal Early Obstetric Warning System, MEOWS)作为产科发病率预测的前瞻性研究；该系统是基于生理参数异常先于危重疾病的原则，从而在早期阶段识别产妇的病情，是预测产科疾病发生的一种有效的床边筛查工具。Singh等^［5］的研究表明，该系统预测产科并发症的敏感度为86.4%，特异度为85.2%，阳性预测值为53.8%，阴性预测值为96.9%。

二、AI在产科并发症预测中的作用

胎儿监护的目的是为了评估胎儿状态、改善围产儿结局、预防胎儿死亡。目前，AI在胎儿监护中的应用研究非常广泛，包括无声警报系统、自动胎儿监护报警系统、智能产时监测系统、神经网络模型、快速反应系统、新型的产时风险评估和预警系统、分娩过程中风险趋势的图形显示等^［6］。

传统的胎儿电子监护（electronic fetal monitoring, EFM）系统依赖于个体目视判读来进行产时监测，评估胎儿的能力有限。在过去四十年的发展中，虽然有了新的监护仪和数据通讯工具，但EFM的基本功能几乎没有改变。

随着AI技术的发展，目前评估胎儿宫内状况和预测病程的能力远远超过传统监测系统，产前监测风险评估系统可提供对胎儿状况的持续评估，并在胎儿损伤风险增加时提醒医护人员，特别是对分娩活跃期宫内环境不断变化的胎儿监护。

但由于胎儿心率（fetal heart rate, FHR）模式缺乏特异性，捕捉胎儿风险增加的信号较困难。造成这一问题的原因之一为目前的监测系统无法整合任何特定妊娠的广泛临床数据库，从而确定进入围分娩期时存在的风险水平，以及如何通过标准的FHR模式变化来识别这种风险，而胎儿损害的风险水平可能在分娩过程中频繁变化。

Balayla等^［7］的系统评价表明，在分娩过程中结合应用人工智能和计算机分析解释的EFM并不能改善新生儿结局。提高产时胎儿监测的临床意义是明确的，为开发更好、更智能的产时监测系统需要将传统的胎儿监护仪与智能计算机系统相结合。智能计算机系统能够通过获取、分析和优先排序单个分娩生成庞大数据阵列。

早产是导致围产儿死亡率和近远期发病率高的主要原因，早期发现对预防早产具有重要意义。关于早产的预测，Chen和Hao^［8］提出了一种利用Hilbert-Huang变换和极端学习机(extreme learning machine, ELM)对妊娠期和分娩期宫缩电图（electrohysterogram, EHG）特征提取和分类的方法，建立了基于ELM的识别模型。实验结果表明，该方法的最佳分类性能可达到88.0%的准确率，灵敏度为91.30%，特异度为85.19%。且可以有效地对妊娠组和分娩组的EHG进行分类，从而达到早产的预测作用。

产后出血是分娩期最常见的并发症，也是我国孕产妇死亡的第1位原因，目前AI应用于产后出血风险预测仍不成熟。Gillissen等^［9］的一项关于产后出血评分预测价值的研究中，将简易、高效的出血倾向测评工具MCMDM-1vWD量表调整为可用作自我评估出血工具的问卷，结果表明，产后出血史与产后出血风险增加有关。然而，使用出血评估工具无法筛查出可能出现产后出血的妇女。目前仍没有一种很好预测产后出血的工具。

对于高危产妇选择性剖宫产，AI是否可以成为有效和可接受的干预措施的第一步？是否可以成为孕妇和产后妇女进入重症监护病房的风险预测？以及先天性心脏病孕妇心脏并发症三种临床风险评估系统预测的准确性、孕妇和产后妇女的静脉血栓栓塞风险评估等都需探讨和研究。

三、AI在产科干预中的应用

AI辅助诊断将数据变为知识，分析患者的原始诊疗资料，整理出临床治疗经验，结合循证医学，针对各种疾病建立医疗图谱，医务人员通过“输入”患者的病历或临床症状，利用后端的医疗图谱，能够为医生提示临床医疗方案，为患者提供诊疗方法并答疑解惑^［10］。

张栋等^［11］构建了基于隐马尔科夫模型的胎盘植入产前诊断方法，采用Gini方法提取患病关联因素的特征集合，通过转化特征集合构建隐马尔科夫模型，结合Baum-Welch和Viterbi算法计算求解，通过显隐状态关系，实现胎盘植入产前诊断，但存在胎盘植入产后病理检验的滞后性和局限性问题。

Fergus等^［12］应用胎儿心率信号和先进机器学习算法对剖宫产和正常阴道分娩进行分类，利用机器学习和胎儿心率信号可以直接了解胎儿的状态，有助于过滤医务人员作为临床决策者的主观意见。其主要目的是提供一个概念性证明，说明机器学习能够客观地确定进行医疗干预的时间节点，例如行剖宫产时可以帮助提示可预防的高危围产期死亡。该研究结果表明，机器学习能明显提高剖宫产和正常阴道分娩中胎儿心率信号检测的效率，优于产科医生和助产士的预测和以往研究报道的阴道分娩系统。

四、AI在产科培训中的应用

AI推动了医学诊疗和医学教学的发展，AI可用于辅助检查的结果判读、临床问诊能力的培养和训练、分析能力的培养和学习^［13］。AI可通过学习管理软件，实现“因材施教”，根据学生的学习进度，为每个学生制定适合自己的学习路径。AI亦可通过扮演教师教学的角色及模拟病人，有望取代临床医生的部分功能及实际病人，实现对医学生临床问诊能力及分析能力的培养和考核；可有效地引导医学生建立起以循证医学为基础的临床思维，增强疾病诊治的科学性和有效性，从而建立起标准化的临床思路。人工智能通过集成个性化建模、社会仿真和知识表达，能够提供随时随地的学习支持^［14］，可作为临床技能实践训练的重要补充。人工智能还可以通过模拟现实临床体况为学生提供一种能够自主学习、加强感官认知、易于操作的全方面的学习条件，使医学教育更高效。

五、AI 在产科学领域应用的不足与挑战

01安全问题

信息安全和医疗安全是AI应用于医疗领域最主要的安全问题。随着AI 在产科医学中的快速发展，及AI 医疗大数据的广泛应用，可能同时带来了巨大的安全隐患^［15］。发展AI需要对大量数据进行分析利用，进而提高AI解决问题的能力和准确性，但这意味着可能会威胁到个人隐私。医疗健康数据一旦被泄露，将直接影响个人隐私，比如人类免疫缺陷病毒感染数据、乙型肝炎病毒感染数据、人工流产信息等私密数据。人工智能辅助诊断、电子临床决策支持系统等在减少医疗成本、提高诊疗水平的同时，同样也存在安全风险。AI所作出的诊断及提出的治疗方案源于大数据，在临床工作中因患者具体情况不同，AI可能会给出不恰当的解释或错误的治疗方案。所以医务工作者仍需要根据患者的具体情况决定更合理的治疗方案，这种综合的复杂判断力对于目前的AI技术还未能达到。

02数据质量

AI医疗系统学习所用的数据是训练模型的教材，数据的质量决定了AI深度学习的结果，高质量的大数据可以促进AI在产科领域更广泛及更精准的应用^［16］。目前大量产科学数据未被充分开发，如何获取高质量的数据是AI在产科学领域应用所面临的难题。当前我国医院与医院、院内科系互不相连，医生手写病历规范性参差不齐，临床用药、检查结果等细节缺失，患者失访率高，仍未对已经开发的数据实现国家统一的标准化和规范化等各种原因，造成医疗存在数据错漏、质量不高的情况。不同种类和质量的数据势必会影响AI 模型的准确性和应用性。当采集的数据存在偏差时，所得出的AI模型也会存在相应的偏差，甚至可能放大这种偏差。

03认识观念

基于人文伦理的传统观念影响，接受AI 医疗这一事实可能还需要一段时间。AI在医疗行业的发展和应用所涉及的诊断结果的责任界定、法律法规、医学伦理和患者隐私保护等问题，都需要进一步明确。

六、小结与展望

医疗服务是由患者、医务人员、设备与技术、医院及监管部门等共同组成的，人工智能技术的加入使得医疗过程中的各种关系可能发生变化，需要重新建立一套高质量、高效率、更可信、更可靠的医疗系统，需要科研、技术、政策、应用和产业等协同。AI 广泛用于产科的预测、干预及人员培训，利用多层人工神经网络预测产妇的妊娠结局，从个体角度采用最优化方案解决孕期管理问题。AI与产科学的结合将成为医务人员最得力的助手，能够为医护人员减轻重复劳动，提高效率，减少误诊、漏诊，能够切实提升医疗服务质量，最终造福患者。AI 目前在产科学领域的临床应用已经有了一定成果，但诸多开发模型的普适性与有效性仍需要进一步研究。随着科技的不断进步和发展，AI发展的未来之路还很长，需要我们不断努力探索和开发。

上下滑动查看参考文献

［1］ Rajaraman V. John McCarthy-Father of Artificial intelligence ［J］. Resonance, 2014, 19(3):198-207.

［2］ Kermany DS, Goldbaum M, Cai W, et al. Identifying medical diagnoses and treatable diseases by imagebased deep learning［J］. Cell, 2018, 172(5): 1122-1131.

［3］ Mensah N, Sukums F, Awine T, et al. Impact of an electronic clinical decision support system on workflow in antenatalcare: the QUALMAT eCDSS in rural health care facilities in Ghana and Tanzania［J］. Glob Health Action, 2015, 8: 25756.

［4］ Sukums F, Mensah N, Mpembeni R, et al. Promising adoption of an electronic clinical decision support system for antenatal and intrapartum care in rural primary healthcare facilities in sub-Saharan Africa: The QUALMAT experience［J］. Int J Med Inform, 2015, 84(9): 647-657.

［5］ Singh A, Guleria K,Vaid NB, et al. Evaluation of maternal early obstetric warning system (MEOWS chart) as a predictor of obstetric morbidity: a prospective observational study［J］. Eur J Obstet Gynecol Reprod Biol, 2016, 207: 11-17.

［6］ Devoe LD. Future perspectives in intrapartum fetal surveillance［J］. Best Pract Res Clin Obstet Gynaecol, 2016, 30: 98-106.

［7］ Balayla J, Shrem G. Use of artificial intelligence (AI) in the interpretation of intrapartum fetal heart rate (FHR) tracings: a systematic review and eta-analysis［J］. Arch Gynecol Obstet, 2019, 300(1): 7-14.

［8］ Chen L, Hao Y. Feature Extraction and Classification of EHG between Pregnancy and Labour Group Using Hilbert-Huang Transform and Extreme Learning Machine ［J］. Comput Math Methods Med, 2017, 2017: 7949507.

［9］ Gillissen A, van den Akker T, Caram-Deelder C, et al. Predictive value of a bleeding score for postpartum hemorrhage［J］. Res Pract Thromb Haemost, 2019, 3(2): 277-284.

［10］祁瑞娟, 吕伟通. 人工智能辅助诊断技术在医疗领域的作用与挑战［J］. 中国医疗器械信息, 2018, 24(16): 27-28.

［11］张栋, 陈凯, 颜建英, 等. 基于隐马尔科夫模型的胎盘植入产前诊断方法［J］. 模式识别与人工智能, 2017, 30(4): 353-358.

［12］ Fergus P, Hussain A, Al-Jumeily D, et al. Classification of caesarean section and normal vaginal deliveries using foetal heart rate signals and advanced machine learning algorithms［J］. Biomed Eng Online, 2017, 16(1): 89.

［13］彭勇军. 医学院校人文课程建设的思考［J］. 大庆社会科学, 2016, (8):144-145.

［14］张玲, 石凯, 黄义玲.《医学人文概论》课程教学的调查与反思［J］. 医学与哲学, 2013, 34(4A): 80-82.

［15］ Price WN, Cohen IG. Privacy in the age of medical big data［J］. NatMed, 2019, 25(1): 37-43.

［16］ Siristatidis C, Pouliakis A, Chrelias C, et al. Artificial intelligence in IVF: a need ［J］. Syst Biol Reprod Med, 2011, 57(4): 179-185.