Google发布盲扫超声AI模型临床验证研究

Google Research 在 JAMA Network Open 发表的 prospective study 证实，其基于盲扫（blind sweep）技术的 AI 模型在芝加哥和肯尼亚两个资源差异巨大的临床环境中，无需针对当地数据进行微调即可实现与专家操作相当的孕周评估精度。该研究在 385 名受试者中测得平均绝对误差（MAE）为 4.18 天，优于专家标准方法的 4.48 天，且在没有使用任何内罗毕本地数据的情况下保持了 4.27 天的 MAE，证明了模型在异构硬件和不同人群中的强泛化能力。 关键证据显示，该系统仅利用芝加哥 120 名参与者的小样本数据集进行最小化微调，便成功适配了 Clarius C3 手持探头并扩展了预测范围至 36 周以上，同时未对肯尼亚站点进行任何优化。这种“零本地优化”的验证方式排除了过拟合特定临床流程的风险，表明模型能够适应从美国高端学术中心到肯尼亚社区诊所的显著差异，包括不同的产前检查时机、常规超声次数及孕周计算习惯。此外，在胎儿体重超过第 90 百分位的极端情况下，AI 的表现甚至优于传统双顶径公式，显示出对复杂生理变异的鲁棒性。 事实层面，该研究确立了端侧部署在医疗场景下的可行性，但推断层面需注意，虽然技术精度达标，实际推广仍依赖构建如模型置信度估计等安全机制以建立医患信任。猜测层面，未来若将此类多模态医疗智能进一步整合进更广泛的诊断工作流，可能会改变基层医疗的资源配置逻辑，但这取决于后续能否解决电池更换等工程细节及监管审批问题。