谷歌研究将低成本手持超声、简化“盲扫”操作与设备端 AI 结合，培训不足的医护人员在短期学习后即可采集视频并由模型估算孕周与判断胎位。研究显示在内罗毕和芝加哥的试验中结果接近受训技师，但强调仍非临床许可产品，实际推广需解决验证、培训、维护和转诊等系统性问题。
谷歌研究人员正在测试一种把低成本手持式超声设备、简单的“盲扫”操作和设备端人工智能结合起来的方法，希望在缺少专业超声技师的地区，让更多孕妇获得基本的产前影像检查。
谷歌 2026 年 10 月 6 日发表的研究访谈显示，经过约八小时培训、此前没有超声操作经验的医护人员，可以按照预先设定的路径在孕妇腹部移动探头，采集一组超声视频。机器学习模型随后在手机或其他设备上分析这些视频，估算孕周，并判断胎儿是否处于非头位状态。
谷歌称，这套方法在一项涉及内罗毕和芝加哥各约 1,000 名孕妇的研究中，检测孕周和胎儿位置的表现达到受训超声技师的相近水平。研究人员强调，这是一项扩大医疗可及性的研究方向，并不是已经获批、可以取代医生的临床诊断产品。
超声检查的障碍不只是设备价格
孕周是否准确，关系到孕期筛查、分娩计划，以及出现并发症时是否需要提前分娩。若把实际孕周误判为 37 周，而胎儿事实上只有 34 周，医护人员对新生儿肺部成熟度和出生后护理需求的判断可能完全不同。
但在许多低资源地区，孕妇在孕期无法获得超声检查。谷歌援引的背景资料称，全球约三分之二的人口缺少便利的诊断影像服务，包括超声和 X 光；Google Health 则表示，全球仍有约一半孕妇无法获得产科超声服务。
传统超声检查需要价格较高、体积较大的设备，也需要稳定供电。设备即使已经变得便携，操作者仍需经过较长时间训练，才能准确移动探头、捕捉合适的影像，并对结果作出判断。谷歌研究人员在官方访谈中说，成为超声技师通常需要两年高强度的实践训练，而许多偏远诊所缺少这样的人员。
这意味着，降低设备成本并不能单独解决问题。真正的瓶颈还包括操作培训、影像质量和结果解释能力。
“盲扫”把复杂操作拆成可培训的步骤
传统产科超声要求技师在实时影像中寻找胎儿的特定解剖结构，再完成测量。谷歌研究采用的“盲扫”方法则改变了这一流程：操作者不必先准确找到每一个测量位置，而是按照固定模式在腹部进行多次自由扫查，收集连续视频。
根据谷歌及研究论文的描述，经过八小时培训的初学者可以完成简化后的扫查流程。人工智能模型分析这些视频，并可提示操作者是否需要重新扫查，随后给出孕周估计和胎儿位置判断。
| 环节 | 传统流程 | 谷歌研究中的研究流程 |
|---|---|---|
| 设备 | 传统超声设备通常体积较大、价格较高 | 低成本、可电池供电的手持式设备 |
| 操作者 | 通常需要受训超声技师 | 经过短期培训的医护人员即可尝试操作 |
| 采集方式 | 寻找特定结构并完成精确测量 | 按固定路径进行“盲扫”，采集视频 |
| 结果处理 | 由专业人员读取和解释 | AI 在设备端分析视频并给出提示 |
| 网络依赖 | 视设备和系统而定 | 研究方案强调可在无网络条件下运行 |
谷歌称，研究中的处理过程发生在设备上，因此不需要持续的 Wi-Fi 或稳定的电力供应。这一点对偏远诊所尤其重要，也意味着部分敏感影像不必持续上传到中心化云服务。
不过，“设备端运行”不等于整个医疗流程完全脱离基础设施。设备仍需要充电、维护和消毒，初学者也需要持续的质量控制；一旦模型提示异常，患者仍需要能够转诊到具备专业人员和进一步检查能力的医疗机构。
研究结果支持可行性，但不是临床许可
这项工作建立在早期研究基础上。2022 年发表于《Communications Medicine》的研究使用来自美国和赞比亚的数据，测试 AI 根据盲扫视频估算孕周和判断胎儿非头位的能力。论文报告称，孕周估计与标准胎儿生物测量相比达到非劣效表现，胎儿位置分类的 AUC-ROC 为 0.977；两类模型在手机上的运行时间均少于三秒，并可离线运行。
另一项发表于 NEJM Evidence 的研究则从 2018 年 9 月至 2021 年 6 月招募了 4,695 名来自北卡罗来纳州和赞比亚的孕妇。其主要测试集中，AI 模型估算孕周的平均绝对误差为 3.9 天，标准生物测量为 4.7 天；在由未受训练操作者使用低成本电池供电设备采集的测试数据中，两者的平均绝对误差分别为 4.9 天和 5.4 天。
这些数字说明，模型在特定研究设置下具有接近临床标准的表现。但它们并不意味着 AI 已经能够独立完成完整的产前诊断。孕周和胎儿位置只是产科超声所涉及的一部分信息；胎儿结构异常、胎盘问题、母体并发症和其他风险仍需要更全面的检查与专业判断。
谷歌此前与 Northwestern Medicine 的合作，也曾把这项技术定位为帮助基层人员更早进行分流，而不是替代产科医生。研究团队希望医护人员能够先判断患者是否需要转诊，从而减少患者在无法获得专业服务的地区长途奔波或延误就医的情况。
AI 能否真正扩大产前医疗覆盖
这项研究的价值，可能不在于让一个模型完成更复杂的诊断，而在于把一部分基础影像能力前移到社区医疗环节。对于缺少专科人员的地区，先获得一个较可靠的孕周估计和胎儿位置提示，可能有助于安排后续筛查、识别需要进一步评估的人群，并更早规划转诊。
这种“把初筛能力带到现场”的思路，也出现在其他医疗 AI 项目中。AIFlux此前报道的 MedGemma 进入全球医疗一线的案例显示，离线模型可以帮助基层人员完成分诊和筛查，但同样必须经过本地数据验证、专业人员审核和监管流程。
谷歌把超声项目放在更广泛的女性健康研究框架中。公司 2024 年的介绍称，其美国和非洲研究团队曾与肯尼亚非营利组织 Jacaranda Health 合作，在多家产科医院推进研究并改进模型；最新访谈则披露了内罗毕和芝加哥研究的更多操作细节。
与此同时，AIFlux对 谷歌 Earth AI 进入公共卫生现场的报道也呈现了类似限制：模型可以更快整理地理和环境信号，却不能替代地方机构完成检测、治疗和资源调度。超声 AI 面对的是同一个现实问题——实验室指标只是起点，真正的医疗效果取决于当地人员、设备、转诊网络和长期维护能力。
仍待回答的问题
目前仍有几项关键问题没有从谷歌的最新介绍中得到完整回答：
- 这套系统在肯尼亚和美国研究之外的人群、设备品牌及孕期阶段中，能否保持相近表现；
- 初学者在真实工作压力下的扫查质量，是否与研究环境一致；
- 模型对不同体型、胎位、妊娠并发症和影像质量的表现是否存在明显差异；
- 当 AI 给出低置信度或异常提示时，基层人员应采用什么标准决定复扫或转诊；
- 研究结果何时、以何种监管路径进入日常临床服务；
- 设备采购、培训、维护和数据治理的成本，是否足以让低资源地区长期承担。
谷歌的研究显示，AI 有可能把部分产前超声能力带到专业人员稀缺的地方。但更准确的说法是，它正在探索一种新的医疗服务交付方式，而不是宣布一个可以独立诊断的“AI 超声医生”。在孕产妇健康这样高风险的领域，模型的下一道考题不是能否在研究数据上给出漂亮的结果，而是能否在真实的基层医疗体系中稳定工作，并让正确的患者及时得到正确的专业照护。
来源： Google Research：Ask a Scientist: How are researchers using AI to help pregnant women access ultrasounds?、Google Health：Expanding access to ultrasound with AI、Communications Medicine：A mobile-optimized artificial intelligence system for gestational age and fetal malpresentation assessment、NEJM Evidence：AI Estimation of Gestational Age from Blind Ultrasound Sweeps in Low-Resource Settings、Northwestern Medicine：Teaching AI to Read Fetal Ultrasound in Low- and Middle-Income Countries。