基于产时胎心宫缩图记录的自监督基础模型胎儿应激预测方法
机器学习
2026-01-13 v1 人工智能
摘要
产时胎心宫缩图（CTG）广泛用于分娩期间的胎儿监测，但其判读存在观察者间变异性高和预测准确性有限的问题。深度学习方法受限于带有临床结局标签的 CTG 记录稀缺性。我们首次将自监督预训练应用于产时 CTG 分析，利用 2,444 小时未标记记录进行掩码预训练，随后在包含 552 条记录的 CTU-UHB 基准上进行微调。采用带有通道非对称掩码方案的 PatchTST 变换器架构进行胎心率重建，我们在完整测试集上实现了 0.83 的受试者工作特征曲线下面积，在非复杂性阴道分娩子集上达到 0.853，超过了该基准先前报道的结果（0.68-0.75）。错误分析表明，假阳性警报通常对应于回顾性临床审查中认为令人担忧的 CTG 模式，提示即使在脐血 pH 值正常时，预测也具有临床意义。我们发布了标准化的数据集划分和模型权重，以实现可重复的基准测试。我们的结果表明，自监督预训练可以解决胎儿监测中的数据稀缺问题，为产房中的可靠决策支持提供了一条途径。
引用
@article{arxiv.2601.06149,
title = {A Foundation Model Approach for Fetal Stress Prediction During Labor From cardiotocography (CTG) recordings},
author = {Naomi Fridman and Berta Ben Shachar},
journal= {arXiv preprint arXiv:2601.06149},
year = {2026}
}