基于超声特定自监督表征学习的早期产前超声腹膜下积液检测

腹膜下积液是一种高危产前超声发现，预示着染色体异常、结构性畸形和不良妊娠结局的高风险。自动化检测可提高可重复性并支持可扩展的早期筛查计划，但受限于小型标记数据集，监督式深度学习方法受限。本研究评估了基于超声特定自监督预训练是否可促进对早期产前超声图像中腹膜下积液的准确、稳健的深度学习检测。我们对使用超过37万张无标签超声图像预训练的Ultrasound Self-Supervised Foundation Model with Masked Autoencoding（USF-MAE）进行二分类，以本研究中正常对照和腹膜下积液病例为目标。性能以与DenseNet-169基线相同的精选超声数据集、预处理流程和4折交叉验证协议进行评估，使用准确率、灵敏度、特异度和受试者工作特征曲线下面积（ROC-AUC）。模型可解释性通过Score-CAM可视化进行定性分析。USF-MAE在所有评估指标上均优于DenseNet-169基线。该模型在平均准确率为0.96、灵敏度为0.94、特异度为0.98，ROC-AUC为0.98，相较于DenseNet-169基线的0.93、0.92、0.94和0.94。Score-CAM模型预测的定性可视化结果显示出临床相关性，通过突出显示正常和阳性病例中预期的胎儿颈部区域。采用 Wilcoxon 符号秩检验的配对统计分析确认，USF-MAE实现的性能提升是显著的（p = 0.0057）。