[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。