Mesterséges intelligencia az ultrahangban: előre lehet-e jelezni a szülés időpontját?

A koraszülés ma is az újszülöttkori halálozás vezető oka világszerte. Annak ellenére, hogy a szülészeti ellátás az elmúlt évtizedekben sokat fejlődött, megbízható, széles körben alkalmazható módszer a koraszülés előrejelzésére egyelőre nincs a kezünkben. A méhnyak hosszának mérése, a kórelőzményi rizikótényezők és a biomarkerek kombinálása sem nyújt kellő pontosságot, és hozzáférhetőségük is egyenetlen. Egy 2025-ben megjelent, a Kentucky Egyetem kutatóival együttműködésben készült tanulmány azt vizsgálta, hogy egy mesterséges intelligencián alapuló rendszer képes-e kizárólag ultrahangfelvételekből megbecsülni a szülésig hátralévő napok számát.

A vizsgálat felépítése és a modell működése

A visszamenőleges kohorszvizsgálat alapját közel 5 800 terhes nő anonimizált ultrahangfelvételei adták, akik 2017 és 2021 között szültek a Kentucky Egyetem szülészeti osztályán. A teljes adatbázis közel 20 000 vizsgálatból és több mint 870 000 egyedi képből állt. A felvételek négyötödét a modell tanítására, egyötödét független validálásra használták fel.

Az algoritmus – amely a számítógépes látásban széles körben alkalmazott mélytanulási megközelítésekre épít – nem kapott semmilyen klinikai bemeneti adatot: sem anamnézist, sem mérési eredményt, sem operátori annotációt. Kizárólag a képi tartalomból dolgozott, és egyetlen kimeneti értéket adott: a szülésig várható napok számát. Ezzel párhuzamosan azt is megítélte, hogy a születés várhatóan koraszülés lesz-e (a 37. terhességi hét előtt). A kutatócsoport a modellt több körben újratanította (a legutolsó verzióhoz összesen több mint 2 millió képet dolgoztak fel), és minden iteráció után értékelték a teljesítményt.

Mit mutattak az eredmények?

Az első modellverzió a terminusra születéseknél igen jó pontossággal jelezte előre a szülés időpontját: a predikció és a tényleges szülési időpont közötti egyezés erős volt. Az összes terhességet együtt vizsgálva az előrejelzés átlagos eltérése 12–15 nap körül mozgott a terhesség különböző trimesztereiben mérve: 15,06 nap az első, 14,25 nap a második, illetve 12,16 nap a harmadik trimeszterben. Ez az érték a modell újratanításával sem változott lényegesen, ami az algoritmus stabilitását mutatja.

A koraszüléseknél a helyzet árnyaltabb. Az első verzióban a modell az összes koraszülés mindössze tízből négy esetét azonosította helyesen, miközben a terminusra zárult terhességeket nagyon ritkán sorolta tévesen a kockázatos csoportba. A különböző verziók egymást követő fejlesztései javítottak ezen az arányon: a negyedik verzióban a koraszülés-detekció érzékenysége valamelyest nőtt, és a diagnosztikus teljesítmény a közepes-jó tartományba emelkedett, különösen a 30 napon belüli szüléseknél. Az újratanítás tehát valóban mérhetően javított a modell teljesítményén, ami módszertanilag figyelemre méltó.

A rendszer teljesítménye következetes volt különböző életkorú, testtömegű és etnikai hátterű nőknél egyaránt – ez az általánosíthatóság szempontjából kedvező jel, bár ennek igazolásához sokszínűbb, multicentrikus populáción végzett vizsgálatok szükségesek.

Hol állunk jelenleg, és mit érdemes kritikusan szemlélni?

Mielőtt klinikai alkalmazásban gondolkodnánk, néhány fenntartást is érdemes megfogalmazni. Ez egy monocentrikus, visszamenőleges vizsgálat, amelynek fejlesztője és részben finanszírozója maga az Ultrasound AI vállalat, a technológia tulajdonosa. Ez nem teszi érvénytelenné az eredményeket, de hangsúlyozza a független replikáció szükségességét. Ráadásul a modell érzékenysége koraszüléseknél a legfejlettebb verzióban sem érte el a 40 százalékot.

Az is fontos kérdés, hogy a modell mit „lát" valójában a képeken. A mélytanulási algoritmusok általában nem transzparensek abban az értelemben, hogy nem tudjuk, mely morfológiai jellemzők vezérlik a predikciót. Ez a fekete doboz jelleg nemcsak tudományos, hanem etikai kérdéseket is felvet a klinikai alkalmazhatóság szempontjából.

Gyakorlati és klinikai tanulságok

Mindezzel együtt a tanulmány több szempontból is releváns, és érdemes számba venni, mire érdemes figyelni belőle a klinikai szempontú olvasónak.

Az ultrahang, mint önálló adatforrás eddig kihasználatlan volt predikciós célra. A módszer alapgondolata – hogy a képi információ önmagában is hordoz prognosztikai tartalmat, amelyet a szem nem feltétlenül lát meg – innovatív, és ha igazolódik, alapvetően változtathatja meg, hogyan gondolunk a rutin szülészeti ultrahangvizsgálatokra.

A folyamatos újratanítás elve is rendkívül ígéretes. Az algoritmus minden egyes feldolgozott esetből tanul, ami azt jelenti, hogy minél szélesebb körben alkalmazzák, annál pontosabb lesz – feltéve, hogy a tanítóadatok minősége megfelelő. Ez a „tanuló rendszer" logika különbözik a statikus diagnosztikai eszközöktől, és hosszú távon más típusú validációt igényel.

A hozzáférhetőség kérdése valódi téttel bír. Ha egy ilyen algoritmus beépíthető a meglévő ultrahangeszközökbe és -munkafolyamatokba, akkor olyan ellátási környezetekben is alkalmazható lehet, ahol a magzati medicina specialistákhoz való hozzáférése korlátozott. A vizsgálat szerzői ezt a dimenziót – a technológia lehetséges közegészségügyi hatásait – külön kiemelték.

A koraszülés kockázatának azonosítása több intervencióra adhat alkalmat. Amennyiben egy ilyen eszköz megbízhatóan azonosítja a koraszülés szempontjából veszélyeztetett terhességeket, ez hatással lehet a gondozás tervezésére: a kontrollvizsgálatok gyakoriságára, a kortikoszteroid-profilaxis időzítésére és a megfelelő ellátási szint meghatározására, kiegészítve a jelenleg alkalmazott szűrőmódszereket, mint a méhnyakhossz-mérés vagy a biomarker-vizsgálatok.

Összefoglalás

A PAIR-tanulmány nem adja meg a végső választ arra, hogy a mesterséges intelligencia képes-e megbízhatóan megjósolni a koraszülést. Arra azonban meggyőzően mutat rá, hogy az ultrahangképek – amelyeket eddig elsősorban anatómiai és biometriai értékelésre használtunk – prognosztikai adatforrásként is értelmezhetők. A validáció folytatása, különösen különböző populációkon és egészségügyi rendszerekben, elengedhetetlen előfeltétele annak, hogy ez a technológia a klinikai döntéshozatal valódi eszközévé váljon.

Forrás: Patel, N., O’Brien, J., Bunn, R., Schanbacher, B., Bauer, J., & Lam, G. K. (2025). Perinatal artificial intelligence in ultrasound (PAIR) study: predicting delivery timing. The Journal of Maternal-Fetal & Neonatal Medicine, 38(1), 2532099. https://doi.org/10.1080/14767058.2025.2532099