前沿技术借鉴研讨-2025.10.28（超声数据）

Self-Supervised Learning for Gestational Age Estimation from Low-Cost Doppler Ultrasound in Low-Resource Settings (NeurIPS 2025) (A会)

【核心目标】

本文研究的是如何在资源匮乏地区，利用低成本的1D多普勒超声设备和自监督学习，准确估算胎龄。

【具体步骤】

1. 完整信号随机分割两个片段进行预训练
2. 射频信号转换成时频图输入到2D CNN
3. 无标签数据用于预训练，学习信号的通用特征，再进行微调

Predicting abnormal fetal growth using deep learning (npj digital medicine 2025) (一区)

【核心目标】

本文提出了一种基于深度学习模型的方法，用于预测胎儿异常生长，并在准确性和鲁棒性上显著超越了目前临床广泛使用的Hadlock公式。

【具体步骤】

1. 超声图像输入CNN
2. 与尺度信息进行特征融合
3. 经过DNN预测超声数据
4. 再将超声数据与特征输入到DNN中进行最后的胎儿体重估计

Uncovering ethical biases in publicly available fetal ultrasound datasets (npj digital medicine 2025) (一区)

【核心目标】

系统性地研究了公开胎儿超声数据集中存在的伦理偏见，并探讨了这些偏见对基于深度学习的产前诊断模型的影响。

【研究背景】

1. 胎儿超声成像是产前检查的关键工具，用于监测胎儿发育、检测异常。
2. 深度学习在胎儿超声图像分析中应用广泛，但其性能高度依赖于训练数据的质量与多样性。
3. 目前缺乏对公开胎儿超声数据集中潜在偏见的系统性研究，而这些偏见可能导致医疗不平等和诊断偏差。

【研究问题】

Q1：当前公开的胎儿超声数据集中是否存在偏见？是哪些类型的偏见？

Q2：这些偏见会引发哪些伦理问题与风险？

Q3：如何缓解这些偏见？

【数据集分析】

1. 标准平面检测：FETAL_PLANES_DB、MFUSPAC
2. 解剖结构分析：A-AFMA、FASSD
3. 生物参数估计：HC18
   

【短期缓解策略】

1. 联邦学习：保护隐私的同时整合多中心数据。
2. 少样本学习：提升模型在数据稀缺情况下的适应能力。
3. 生成式AI：合成罕见病例图像以增强数据多样性。
4. 领域自适应：提升模型对不同设备图像的适应性。

【长期缓解策略】

1. 多样化数据收集：涵盖不同地区、种族、孕周、病理情况。
2. 多专家标注：减少标注主观性。
3. 伦理设计：在数据收集和模型设计阶段嵌入伦理考量。
4. 持续伦理审计：定期评估模型的公平性与偏见。

【伦理风险】

1. 诊断偏差：模型在未充分代表的群体中表现差。
2. 医疗不平等：加剧对少数群体（如非洲地区、双胎妊娠）的诊断不足。
3. 模型泛化能力差：在真实临床环境中表现不稳定。

【研究局限与未来方向】

1. 仅分析公开数据集，未涵盖私有数据。
2. 未对偏见进行量化评估。
3. 未来可开发偏见量化指标，并扩展至更多模态数据（如视频、DICOM元数据）。