產前超音波的可及性落差
全球約有三分之二的人口無法即時取得診斷影像服務，例如超音波與 X 光。這個數字在孕產婦照護上特別嚴重，因為超音波能提供懷孕期間的關鍵資訊：確認胎兒心跳、計算手指與腳趾、判斷胎兒數量、觀察胎位，以及估計胎齡。對孕婦而言，胎齡是後續所有臨床決策的時間軸基礎，包括篩檢、治療、處置，以及為安全分娩做準備。然而，許多人的月經週期不規則，或根本沒有記錄，因此不能只靠月經史來推算胎齡。一旦胎齡判斷錯誤，可能造成嚴重後果。例如，孕婦因併發症需要提前生產，原本以為是三十七週，實際上可能只有三十四週，胎兒肺部成熟度不同，出生後需要的照護等級也截然不同。準確的胎齡能讓醫療團隊為嬰兒與母親準備適當的支持。
傳統超音波機器體積龐大、價格昂貴，在偏遠診所一旦故障，往往沒有人能修理，而且運作時需要穩定電力。近年手持式超音波裝置的發展帶來轉機，這些裝置更小、更便宜，許多以電池供電，因此便於攜帶，也更容易取得。不過，即使硬體進步，要成為合格的超音波技術員仍需要兩年密集的實作訓練，導致全球產前超音波技術員嚴重短缺。換句話說，問題不只在於有沒有機器，更在於有沒有足夠會操作與判讀的人。
盲掃超音波與 AI 判讀的核心設計
Google 研究團隊與 Jacaranda Health、Northwestern Medicine 合作，進行了一項研究，在肯亞奈洛比招募一千名母親，在芝加哥另外招募一千名母親。這項研究採取不同於傳統超音波的做法：傳統超音波要求技術員精確移動探頭，以取得特定測量值，操作難度很高；研究團隊改用所謂的「盲掃」超音波。操作者按照預先定義的模式，在孕婦腹部上掃動探頭，收集一系列影片。這些操作者不需要是超音波專家，從來沒有執行過超音波的人，可以在八小時內學會盲掃流程。收集到的影片會交由機器學習模型分析，模型能判斷影像是否足夠，並提示操作者是否需要重新掃描。更重要的是，模型可以估計胎齡，並指出胎位，也就是胎兒在子宮中的姿勢。
根據 Google 官方部落格訪談，該公司軟體工程師暨 AI 研究員 Angelica Willis 表示，研究結果顯示機器學習模型偵測胎齡與胎位的能力，與受過訓練的超音波技術員一樣準確。這代表原本需要專家才能取得的關鍵產前資訊，有機會透過 AI 輔助，由前線醫療工作者在資源有限的環境中完成。駐 Google 的婦產科醫師 Nichole Young-Lin 則從臨床角度指出，超音波是回答胎兒生長是否適當、有無異常等問題的重要工具，而早期超音波尤其用於估算胎齡。她過去從事公共衛生研究，關注產後出血與降低孕產婦死亡率，後來成為醫師，並體認到要解決全球醫療可及性的不均，需要科技才能達到規模。
裝置端運算與前線應用
這項研究的一個關鍵技術特點，是所有的處理都在裝置上進行。也就是說，AI 模型不需要連上電力網，也不需要 Wi-Fi，就能即時提供操作者與孕婦所需的判讀結果。對於電力供應不穩定、網路覆蓋不足的低資源地區而言，這種離線能力至關重要。手持超音波裝置本身已經具備便攜與電池供電的優勢，再加上裝置端 AI，整體方案更有可能被帶到偏鄉、社區診所，甚至由社區衛生工作者直接使用。Willis 將這個專案視為展示孕產婦照護可能性的機會，研究證明專家級的照護判讀可以擴大觸及範圍，直接交到前線社區衛生工作者手中。
Young-Lin 則強調，研究的目標是顯示擴大取得救命超音波照護能如何影響社區，而團隊正一步一步前進。透過這項研究，他們在證明 AI 可實際應用於孕產婦保健方面取得重大進展，因為這個方法可以在不同的病患族群與醫療環境中使用。研究中涵蓋奈洛比與芝加哥兩地各一千名母親，正是為了檢驗模型在不同人群與場域下的表現。這也意味著，這套做法並非只適用於單一地區或單一類型的醫療機構。
研究結果的意義與限制
這項研究的核心貢獻，在於證實盲掃超音波搭配 AI 判讀，有潛力補足全球產前診斷的缺口。它把超音波操作門檻從兩年的專業訓練，降低到八小時的流程訓練，並讓判讀工作由裝置上的模型輔助完成。對於缺乏超音波技術員與診斷影像服務的地區，這可能是一條務實的路徑，讓更多孕婦獲得胎齡與胎位等關鍵資訊，進而改善分娩準備與母嬰照護。不過，這仍是一項研究，不是已經全面部署的臨床服務。研究顯示的是可行性與準確度，在正式推廣之前，還需要更多驗證，包括不同地區、不同操作者、不同孕期的表現，以及與現有醫療流程的整合方式。此外，目前模型聚焦在胎齡與胎位，其他產前異常的偵測並不在這項研究的範圍內。
Willis 與 Young-Lin 都認為，不應只停在胎齡與胎位，甚至不應只限於孕產婦保健。超音波還有許多用途，例如評估事故或創傷後的出血量。AI 在這些領域同樣有潛力，能協助改善母嬰健康與更廣泛的醫療照護。整體而言，這項由 Google 研究團隊與 Northwestern Medicine、Jacaranda Health 合作的研究，提供了一個具體案例：當硬體變得更便攜、AI 能在裝置端離線運作、操作流程被簡化到前線人員可學習的程度，原本高度專業化的診斷工具就有機會走向資源不足的社區。但從研究到實際應用之間，仍有準確度驗證、法規、訓練品質、裝置維護與臨床責任等問題需要逐步解決。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。