人工智能（artificial intelligence，AI）是一种模仿人脑处理过程的数字化计算机系统。既往，AI主要应用于商业领域如自动驾驶、搜索引擎系统及广告推送领域^［1］。近年来，AI的应用也扩展到医疗领域如疾病风险评估、药物发现及医学图像处理等^［2］。在产科领域，AI的相关研究也越来越多^［3］，故本文对此进行综述，以提高临床医生对AI的认识。

1.机器学习：机器学习是AI的核心技术之一，它使计算机能够从大量数据中自动学习规律，并用于预测和决策。简单来说，机器学习就是通过让计算机分析历史数据，找到其中的模式，从而应用于新的数据。例如，在医学领域，机器学习可以帮助医生从患者的临床数据中，发现疾病的特征，辅助诊断和预后评估。

2.监督学习和无监督学习：机器学习的方法主要分为监督学习和无监督学习^［4］。监督学习使用已经标注好结果的数据来训练模型^［5］。比如，根据患者的影像资料，医生知道哪些患者患有胎盘植入性疾病，哪些没有。通过学习这些数据，模型可以学会根据新的影像资料来预测患者是否患有该疾病。无监督学习适用于数据没有明确结果标注的情况。模型通过寻找数据中的规律和结构，发现潜在的分类或模式。例如，可通过无监督学习，为研究疾病机制提供新的思路。

3.深度学习：深度学习是机器学习的一个重要分支，特别适合处理复杂的数据，如医学影像。深度学习利用多层次的人工神经网络，模拟人脑的思维方式，能够自动从数据中提取高层次的特征。与传统的机器学习方法相比，深度学习在处理大型、复杂的数据集时表现更为出色。在深度学习中，卷积神经网络是一种常用的模型，在医学影像分析中效果尤其显著。它能够自动识别图像中的关键特征，如形状、边缘和纹理，帮助医生更准确地诊断疾病。

目前AI在产科领域的应用研究多局限于某一特定疾病诊断领域，多模态学习如结合多种影像资料的研究正在进行中，暂未检索到报道。一项研究提出了涉及AI的临床试验方案指南，该指南为AI临床研究提供了一个标准化的参考，是一个很好的衡量AI临床研究质量的工具^［6］，然而目前产科领域的AI临床研究大多并未很好地遵守该指南。

AI在产科超声领域发展迅速。超声检查是一种安全、无创的产前诊断方法。但在母亲肥胖、动态视频、伪影和低信噪比等情况下测量仍具有挑战性^［7］。此外，手动超声检查速度慢且观察者间结论不一致，而且储存数据为二维静态图像，这些静态图像本身已经经过超声医生的主观选取，使用这类数据进行模型构建时具有较大偏倚。因此，使用新技术改进原始图像采集和标准化超声影像数据收集对于后续的研究非常重要。

1.孕周评估：停经时间与胎儿实际孕周可能并不一致，临床评估胎儿实际孕周、尤其是月经周期不明确孕妇，主要依赖于孕早期的胎儿超声生物学测量，然而早孕期后，随着孕周增长，通过超声评估孕周的准确性下降^［8］。因此，开发一个准确的孕中晚期AI孕周评估模型值得探索。一项研究使用回归森林算法分析胎儿颅骨超声图像中大脑与孕周之间的关联，评估的孕周与临床测量值接近，孕中晚期的均方根误差为±6.10 d^［9］。还有一项研究使用卷积神经网络分析来自多个标准超声视图的图像以进行孕周估计，在孕中期和晚期的平均绝对误差分别为3.0 d和4.3 d^［10］。可见，AI的应用可能为未行孕早期超声的孕妇提供更准确的孕周测量方式。

2.胎儿超声心动图：胎儿超声心动图是评估胎儿先天性心脏异常的有效手段，对于围产期胎儿监护至关重要。但胎儿超声心动图存在观察者间不一致、从业者技术要求高等挑战，AI有望解决这些问题。针对胎儿先天性心脏异常的病例，有研究开发了一种称为“Fetal Intelligent Navigation Echocardiography”的人工智能算法，可以识别胎儿主动脉缩窄、法洛四联症、大血管转位和肺动脉闭锁这4种疾病的超声声像图^［11］。还有研究开发了一种深度学习方法，可以识别5个胎儿超声心动图心脏标准切面和心脏结构的分割^［12］。既往研究聚焦于二维图像的分析，但该领域亟需解决的问题是如何结合时间维度信息以满足实际临床需要。

3.产科超声的其他应用：已经有研究开发了深度学习算法来预测胎儿大脑异常^［13］。最近的一项研究基于深度学习的自动化方法测量羊水，该技术以U-Net为核心算法，实现了超声图像中羊水暗区区域的自动分割，平均相对误差为0.018±0.023，极大提升了羊水异常的诊断准确性^［14］。除此之外，基于AI技术的模型可实现完全自动的辅助诊断流程并有助于超声医师的技术培训，如辅助颈项透明层厚度的测量等^［15-16］。基于影像图片的AI诊断、结局预测等其他相关研究，如胎盘植入性疾病的诊断、结局预测等，也在进行中，期待能早日应用于临床。

胎心监护是通过测量胎心率和子宫收缩来评估胎儿健康状况的重要方法，但胎心监护结果的解读依赖于评估者的经验，判读的异质性较大。近年来，已有较多研究将机器学习的AI算法应用于胎心监护领域。一项研究报告了一种基于卷积神经网络的算法，该算法使用552例临产病例的持续胎心监护数据预测脐带血pH值≤7.15的风险，准确性为98.34%，灵敏度为98.22%，特异度为94.87%^［17］。然而，最近的一项纳入38篇原始研究的系统综述指出，机器学习解读分娩期间胎心监护并不能改善新生儿结局（新生儿酸中毒、脐带血pH值<7.15～7.20、5 min Apgar评分<7分、分娩方式、生后转新生儿重症监护病房、新生儿癫痫发作或围产期死亡）^［18］。所以仍需进一步的研究探索机器学习算法在胎心监护中的应用，以符合临床使用要求。

在产科领域，胎儿脑部疾病和胎盘植入性疾病的严重程度通常使用MRI评估。一项研究对45例孕妇的胎儿进行MRI检查，利用卷积神经网络自动提取并分析胎儿的大脑结构，并自动测量体积，结果显示自动分割效能Dice coefficient达到了0.99，提高了胎儿脑部异常的检出率^［19］。另一项研究通过各种AI技术对59例脑室扩张的胎儿MRI图像进行分析，预测生后是否需要外科治疗，准确性高达91%^［20］。此外，应用AI技术对99例诊断为胎盘植入性疾病的孕妇进行MRI检查，诊断胎盘植入性疾病的灵敏度为100%，特异度为88.8%，准确性为95%^［21］。相信随着AI技术在医学领域的不断推广与应用，将有助于提高妊娠相关疾病的诊断准确性。

分娩方式是产科领域极为关注的问题。在过去的30年里，全球剖宫产率从6%增加至21%^［22］。但目前临床缺乏客观的评估标准以选择最优的分娩方式。为此，一项研究开发了一个监督型人工神经网络模型，在单一分娩机构预测分娩方式；在孕妇临产时，收集影响分娩的相关变量（孕妇年龄、孕次、产次、分娩时孕周、是否需要人工引产、产时胎方位以及孕期合并症），最终形成AI预测最优化的分娩方式，利用该模型对25 038例孕妇的分娩方式进行预测，预测阴道分娩、剖宫产的特异度和灵敏度分别为97.5%和60.9%^［23］。另一项2022年发表的类似研究报道的分娩预测模型，同时进行了内、外部验证，纳入37 932例孕妇，结果显示对剖宫产的预测准确性为87%^［24］。尽管已经有了一定研究基础，但由于缺乏广泛验证以及AI推广的限制，目前仍未广泛运用于临床实践。

医学是伴随着人类发展史的一门古老学科，而产科的发展更是贯穿医学发展史。如何将古老的学科与先进技术结合，可能是产科工作者未来的工作重心。目前，AI在产科领域的应用仍有局限，在“第四次工业革命”、AI技术到来之际，产科不可避免地卷入这场即将到来的革命中。由于AI模型建立之后的使用成本极低，将会在不久的将来充当医护人员的得力助手。AI技术的发展，也将会给产科领域带来深刻变革，最终目的是促进母婴健康。

利益冲突 所有作者声明不存在利益冲突

参考文献略