GitHub Radar

這是 Google Research 研究工程師 Angelica Willis 與 Google for Health 臨床負責人 Nichole Young-Lin 在 2026 年 10 月 21 日發表的文章，介紹一項以 AI 判讀「盲掃」超音波來估算孕週的前瞻性研究。

背景

文章引用 WHO 估計，每年有超過 25 萬起可預防的妊娠相關死亡。產前超音波能改善結果，但全球約三分之二的人無法取得診斷影像；現行做法高度依賴專業訓練，讓低資源地區的許多孕婦整個孕期都沒做過超音波。研究的做法是：沒受過超音波訓練的第一線人員，用低成本可攜式探頭以標準化的路徑滑過腹部（即盲掃），再由機器學習模型判讀這段影片。

研究概要

研究成果以〈Generalization of AI-Based Gestational Age Assessment Using Blind Sweep Ultrasonography〉為題發表於 JAMA Network Open。先前的研究已在同一回溯性世代中未見過的病患上驗證模型；這次的前瞻研究則要檢驗系統在真實診所、行動裝置上即時運作，面對新手操作者、陌生設備且只做極少 fine-tune 時，是否仍然可靠。

跨場域評估

兩個研究場域：芝加哥的 Northwestern Medicine（都市高資源學術醫學中心）與肯亞奈洛比的 Jacaranda Health（都市社區診所網絡）。原始模型以北卡羅萊納與尚比亞的 1,968 名受試者訓練，使用 Sonosite、GE 與 Butterfly 探頭；這次改搭 Clarius C3 手持經腹探頭。研究以 120 名芝加哥受試者的前導資料（約原訓練集的 6%）做 fine-tune，讓模型適應新探頭並將孕週範圍延伸到 36 週以上。奈洛比的資料完全未用於 fine-tune，因此肯亞的驗證是嚴格獨立的外部測試。研究也納入多胞胎，以評估較困難的追蹤與量測情境。兩地在孕婦首次產檢時間、例行超音波次數與孕週慣用的推算方式上都有差異。

主要結果

主要世代為 385 名懷孕 16 至 36 週的受試者（芝加哥 192 人、奈洛比 193 人）。AI 的平均絕對誤差（MAE）為 4.18 天，專業超音波師以標準生物測量得到的 MAE 為 4.48 天，AI 達成非劣性。芝加哥在 fine-tune 後 MAE 為 4.10 天；奈洛比在完全沒有在地優化的情況下 MAE 為 4.27 天，顯示跨場域一致。在探索性分析中，對體重高於第 90 百分位的胎兒，模型表現優於傳統生物測量公式。

前瞻部署的經驗

在病患之間維持設備電力，可替換電池比插座式充電座更好用。建立臨床人員與病患的信任至關重要，作者提出以模型信心估計來拒收品質不佳的掃描、並向臨床人員傳達不確定性等防護措施。

展望與侷限

作者認為結果顯示，AI 能判讀未受超音波訓練者所做的標準化盲掃，準確度可與專業操作者及更昂貴的推車式機器相當，是擴大資源不足地區產前照護覆蓋的一步，也是多模態醫療 AI 研究的一部分。限制方面：fine-tune 只用了單一場域（芝加哥）的 120 人小型前導資料；主要驗證世代為 16 至 36 週，36 週以上的表現是靠 fine-tune 延伸而來、較未確立；胎兒體重的發現屬探索性；文中未說明新手操作者的訓練時長；信任防護措施仍是未來的設計方向，尚未驗證。