基于超声诊断的胎儿体重预测方法的研究进展

[综述点评]

基于超声诊断的胎儿体重预测方法的研究进展

黄晓明1，吴君2，李亚东1，张方林1，张虎军1，吴向阳1，汪天富2

（1．成都市成都军区总医院器材科，四川610083；2．四川大学生物医学工程系，成

都610064）

摘要随着超声技术的发展，超声检查成为预测胎儿体重的重要手段。国内外学者用多元回归的方法提出了许多的图表和公式。人工神经网络是以神经的结构和生理为基础模拟人类思维的计算机人工智能技术。对复杂的、非线性信息处理有其独特的。在预测胎儿体重这一领域，人工神经网络的方式比传统的回归分析法有着更大的优势。

关键词超声；胎儿体重；回归分析；人工神经网络

Abstract Ultrasonic estimation of felal weight is of paramount importance in the management of labor and delivery．Many scholars have advanced lots of charts and formulas in virtue of regression methods．Artificial network，a computer artificial intelligence，basing on neural structure and physiology simulates human thinking．It is accomplished in the complex and mon-linear information．The neural network and regression methods were used to compare the accuracy of predicting fetal weight，which the former has more advantage．

Key words Ultrasonic；fetal weight；regression analysis；Artificial neural network

预测胎儿体重是产前监护的一项重要内容，胎儿体重与胎儿成熟度之间有着十分密切的关系，应用超声进行有选择的产科生物学测量已成为判断胎儿生长异常及其类型的有效手段，产前准备估计胎儿体重对于选择分娩方式以获得良好的围生结局，具有重要的意义。

1超声影像技术在产科的应用

产科是超声诊断应用最广泛的领域之一。超声显像应用价值优于其他影像学检查，避免了X射线对母儿的不良影响。超声显像不仅能进行形态学观察及测量，还能获得胎儿呼吸、循环、泌尿系统等生理、病理方面的多种信息，以评价胎儿的发育及生理功能的变化。

文献中超声测量预测胎儿体重的生理指标有10余种，其中较常用的有双顶径、小脑横径、股骨长、腹围、头围、股骨皮下组织厚度、肝脏长度。

1．1双顶径（Biparietal diameter BPD）B超最早用于预测胎儿大小的指标，双顶径是指胎头的最大横径。

1．2腹围（abdominal cirQcumference AC）的大小直接反映了胎儿内脏器官的发育情况，尤其是胎儿肝脏的发育情况，代表了胎儿的营养情况。在妊娠晚期36-42周时，胎儿体重的增加主要与脂肪的堆积及肝糖原的存储有关，超声显像表现为腹围增加而非股骨长度和双顶颈的增加［1］。

1．3股骨长度（Femur length FL）反映了胎儿四肢的生长情况。孕15周后，胎儿多数骨骼可被显示。

1．4头围（head circumference HC）由于胎头形状存在着差异，HC受胎头形状的影响较BPD显著为小。hadlock［2］认为，头围的测量较双顶颈更能准确地代表胎头大小。Tamura 等［3］对147例糖尿病孕妇和40例对照者做了胎儿双顶径和头围的比较，结果表明用头围估计胎儿体重的准确性高于双顶径。

1．5小及横径（TCD）是一个不受头颅变形影响的参数。

1．6股骨皮下组织厚度（fetal thigh soft tissue thickness FSTT）胎儿脂肪储存量随孕龄增加而增多，孕28周占体重的40%，40周占14%，所占比例虽不多，但引起的体重变化几乎占50%。而超声能直接测量皮下脂肪，并可清晰的观察到胎儿皮下脂肪的消长状况，胎儿皮下组织厚度包括了脂肪层这一参数，反映了胎儿皮下脂肪的存储量。用FSTT可初步估计胎儿的体重范围，以13。5mm作为预测胎儿体重≥3500g的截断值，以FSTT≥19。5mm作为预测胎儿体重≥4000g最佳截断值［4］。

1．7胎龄根据Sabbagha等人的研究报道，胎龄在预测胎儿体重方面是一个非常重要的因素，因为在不同的孕周，胎儿的密度及形态学特征都随之发生变化，而孕周作为胎儿生长发育过程的一个宏观指标，必然会对胎儿的体重起到重要的作用［5］。

胎儿在子宫的的生长发育特点是起初胎儿体重增长速度是缓慢的，妊娠13天前无明显变化。妊娠13周后体重增长速度逐渐加快，妊娠中期胎儿体重迅速增加，各项生物指标增加的速度也很明显，到了妊娠晚期增长速度又趋于平缓，具有增长的极限［6］。有研究表明，在孕期的第三个月，胎儿体重的增加与孕周是一线性函数的关系［7］。

2基于超声诊断的胎儿体重预测方法

通过超声显像测量宫内胎儿的生长参数来预测胎儿体重，被认为是预测宫内胎儿体重的最准确方法。

2．1回归法将双顶径、头围、腹围、股骨长度、股骨皮下组织厚度、孕周等参数输入计算机，结合统计分析系统，通过数理统计的方法，进行多因素逐步回归，建立回归方程。2．2单项生长参数预测法本法为早期利用超声显像预测胎儿体重的方法，大多数采用的是一元线性回归方程，如：FW（g）=634×BPD（cm）-2446。BPD，FL，AC，HC，FSTT 与新生儿体重有一定相关性，经回归分析，建立回归方程。在文献6中，提出了采用一元参数的非线性模型，利用微分方程建模，得到胎儿的生理参数与体重之间的关系：Logistic模型=y=α／（1+βe-yx）。

单项参数虽然能反映出胎儿的生长发育情况，但胎儿个体差异的影响和每个胎儿某一单项生长参数在妊娠不同阶段的非线性增长，限制了单项生长指标预测胎儿体重的准确性。2．1．2多项生长参数预测法利用胎儿多项生长参数预测胎儿体重，国内外现已普遍应用。超声显像预测胎儿体重，已由过去应用单项生长参数发展到目前应用多项生长参数及对胎儿体重的个体纵向预测，其准确性不断提高。

双参数回归式计算机方法有多种，如：

双顶径+腹围：弥补单参数预测体重时误差过大的缺点，Warsof［8］等首次以双顶径和腹围的双参数法预测胎儿体重：

log10（BW）=-1．599+0．144×BPD+0．032×AC-0．111×BPD2×AC/1000；

该方法的估计误差为106g/kg。且对体重容易估计过低。针对这一缺点，Shepard［9］等推出另一个双参数计算式：

log10（BW）=-1．7492+0．166×BPD-0．046×AC-2．646×BPD×AC/1000；

这一方法的结果优于Warsof的计算式，体重估计过高或过低的情况也较平衡。

头围+腹围：为排除胎头变形的影响，Hadlock［10］等以头围代替双顶径，并与腹围组合推出双参数体重计算式，但结果是该方法的准确性没有明显提高。

小脑横泾+腹围：关步云［11］等以小脑横径和腹围为参数预测胎儿体重：

EFW=-5334．951+155．1978×TCD+2．2266×AC；

腹围+股骨长度：在双参数估计胎儿体重的方法中，以腹围和股骨长度组合的准确性最高。Hirata等［12］对141例临床可疑巨大儿分别用3种计算式估计体重即Hadlock计算式，Shepard计算式，Tamura计算式。证实对于高度可疑的巨大儿，用腹围和股骨长度估计体重

的方法准确性最高。

多参数回归方程［5］：

log10FW=1．335+0．0457AC+0．1623FL+0．031BPD-0．0034（AC×FL）（Hadlock1985）log10FW=5．5641·0．001·AC·BPD-1．5515·0．0001·AC2·BPD+1．9782·0．00001·AC3+5．2594·0．01·BPD+2．13153（Hsieh 1987）

log10FW=-1．599+0．144×BPD+0．032AC+0．000111·（AC×BPD2）（Warsof 1977）1993年Combs等建立了用股骨长，双顶径，腹围联合预测胎儿体重的新模型：［6］Combs 模型函数：y=α+βx1x+SX（B］2［］3［SX）］γx［SX（B］2［］3［SX）］其中x1表示股骨长，x2表示双顶径，x3表示腹围。

回归分析的方法为预测胎儿体重提供了众多的式［13］。然而，在回顾性分析和前瞻性验证中即使数据组选用相似，各种用于计算的公式在对胎儿体重预测的准确性上也有着明显的不同，预测结果也远不尽人意［14］。

2．2人工神经预测方法人工神经网络是最近几年发展起来的一项新技术，是模仿生物神经系统中神经元的一种数学处理方法。设计合理的神经网络通过对系统输入输出样本对照进行自助学习，能够以任意精度逼近任何复杂的大量线性映射。神经网络的这一优良性能使其可以作为多维非线性函数的通用模型。该模型的表达是非解析的，输入输出数据之间的映射规则由神经网络在学习阶段自动抽取并分布式存储在网络的所有连接中。

采有人工神经网络的方法进行预测，它具有回归方法所无法比拟的优势：神经网络不需要建立数学模型，只要把已有的样本数据交给网络，网络将选择自己的模型；可以实现对任何复杂函数的映射，从而适应环境的变化；以及比其它方法更能容忍噪声，而时间序列的量往往伴随着大量的噪声［15］。

在众多神经网络模型中，应用最广泛的是多层感知机神经网络。它采用误差反向传递学习算法（BP-Error-Back-Propagation）简称BP算法，这是一种具有多层结构的前馈型映射网络，是目前应用最广泛的一种模型，它具有很强的非线性映射能力和柔性的网络结构。

网络结构图

输入层的神经元节点代表双顶径、腹围、股骨长、股骨皮下组织厚度、头围、孕周，记为［WTBX］X=（x1，x2，x3…xn）。y为输出层神经元节点，即胎儿实际体重。一般说来y与X之间的关系记为：y=g（X）为确定性函数，ε为随机误差。和函数g（x）为由X估计y的回归函数，记y＾=g（x），使误差平方和Σ（y-y＾2最小的即为所求的回归函数。

对于BP网络，网络的实际输入输出关系可设为：y＾=f（X，w），其中w是权向量［15］。对于自然界众多关系来说，真正精确的f（x）是找不到的，只有通过统计学的方法，从大量（X，y）的样本中去抽象出一个g（X）。正如前面介绍的那些回归方程，对于不同的样本，首先要选择合适的回归数学模型，然后样本数据中提取回归函数。因此，各地区的医院无法使用同样的回归方程预测胎儿的体重，因为各地区的样本数据必然存在差异，选择什么样的回归数学模型也无定论。而人工神经网络用一类样本数据进行训练，可以对别一类数据作出准确的预测，而不重新训练，只要这两类数据相近［16］。在临床实践中，发现借助B

型超声获得的胎儿的各项生理参数与胎儿实际体重之间的关系及其复杂，不是简单的线性关系。现在就是要用f（X，w）去近似代替g（x），而f（X，w）的具体数学形式隐藏在网络的权值之中，从而避免了因不同样本数据，就要更改数学模型或回归方程。

利用超声测量胎儿某些径线来计算体重的回归计算式，由于机器或人为所造成的测量误差将直接影响预测结果的准确性。人工神经网络实际上是专业人员根据临床要求而设计的一个软件，它的优点在于其“智能性”，能够对输入其内的一系列数据进行综合分析，在一定程度上能克服数据本身的误差，以得到尽可能准确的结果［17］。传统的回归分析适合于低维变量和变量线性可分的情况，而对于变量之间有相互影响，多维，非线性的情形并不合适，在这种情形下，人工神经网络将提供更准确的预测值［18］。

3总结

就目前在预测胎儿体重这一领域来说，普遍采用的是多参数的线性回归方程，准确率不高。国内学者的研究大多集中在回归分析的预测应用上。国外有学者提出了采用人工神经网络的预测方法，1992年，美国学者Farmer等人用人工神经网络预测胎儿体重，认为这一方法的准确性高于传统的回归计算法［19］。原上海医科大学妇产科医院对胎儿超声参数进行神经网络处理，建立预测新生儿体重的前馈神经网络（back-propagation，BP）模型［20］现有的预测模型，对胎儿体重偏小或偏大（体重〈2500克和体重〉4000克）预测精度较低，因此有学者提出了应采用分段式的方法另设计预测模型，以使得在能获得较高预测准确度的情况下预测范围能涵盖整个胎儿体重。

参考文献

［1］蒋凤，常青．B超测量胎儿腹围与胎儿体重相关性分析，第三军医大学学报，200325（1）．

［2］Hadlock FP，Harrist RB，Sharrnan RS，et al．Estimation of fetal weight with the use of head，body and femur measurements：a prospective study．Am Jobstet Gynecol，1985，151：333．

［3］Tamura RK，Sabbagha RE，Depp R，et al．Diabetic macrosomia：accuracy of third trimester ultrasound．Obstet Gynecol，1986，67：828．

［4］邓文，丁依玲，朱伏凡，谭玲玲，超声测量胎儿股骨皮下组织厚度预测胎儿体重的临床应用．中国医师杂志，2003，5（3）．

［5］Louise Chuang，Jeng-Yang，Chiung-Hsin，Chen-Hsiang，Yu and Fong-Ming Chang．ULTRASOUND ESTIMATION OF FETAL WEIGHT WTTH THE USE OF COMPUTERIZED ARTIFICIAL NETWORK MODEL．Ultra-sound in Medcine&Biology，2002．28（8）：991-996．

［6］桂占吉，康岚．预测胎儿体重的非线性模型．数学的实践与认识，2002，32（4）．［7］Max Mongelli，Arijit Biswas．A fetal growth standard derived from multiple modalities．Early Human Development，2001，60：171-177．

［8］Warsof SL，Gohari P，Berkowitz RI，et al．The estimation of fetal weight by computer-assisted analysis．Am J Obstet Gynecol，1997，128：881．

［9］Shepard MJ，Richards V A，Berkowitz RL，et al．An evaluation of two equations for predicting fetal weight by ultrasound．Am J Obstet Gynecol，1982，142：47．

［10］Hadlock FP，Harrist RB，Carpenter RJ，et al．Sonographic estimation of fetal weight．Radiology，1984，150：535。

［11］关步云，周郅隆，刘慷临，超声测量小脑横径监护胎儿生长发育的研究．中华医学杂志，1992，72：65．

［12］Hirata GI，Medearis AL，Horenstein J，et al．ULtrasonographic estimation of fetal weight

in the clinically macrosomic fetus．Am J Obstet Gynecol，1990，162：238．

［13］Gardosi J，Mongelli M，Wilcox M，Chang A。An adjustable fetal weight standard．Ultasound Obstet Gynecol，1995，6：168-74

［14］Fahri Ocer，Semih Kaleli，Erdal Budak，Engin Oral．Fetal wight estimation and predication of fetal macrosomia in non-diabetic pregnant women．European Journal of Obstetrics&Gynecology and Reproductive Biology，1999，83：47-52．

［15］严玉清，温泉澈．BP网络的统计意义及实例分析。河南师范大学学报（自然科学版），2001，29（1）．

［16］Leonardo Bottaci，Philip Jdrew，John E Hatrley，Mattew B Hadifeld，Rid-zuan Farouk，Peter W R Lee，Iain M C Macintyre，Graeme S Duthie，John R T Monson．Artificial neural networks applied to outcome prediction for colorectal cancer patients in separate institutions．THE LANCET，1997，350．

［17］朱洁萍，戴钟英，沈国芳，等。超声预测胎儿体重方法的选择．上海医学，1999，22（6）．

［18］Cross SS，Harrison RF，Kennedy RL．Introduction to neural networks．Lan-cet，1995，346：210-15．

［19］Farmer RM，Medearis AL，Hirata GI，et al．The use of a neural network for the ultrasonographic estimation of fetal weight in the macrosomic fetus。Am J Obstet Gynecol，1992，166：1467．

［20］李笑天，庄依亮，常才，等．神经网络在预测胎儿体重中的作用，中国医学影像技术，1999，15（5）．

（收稿日期：2004-6-30）