基于基础模型的软时间打分：超声视频中用于改进ONSD测量的最优帧选择
核心概要
该研究提出一种稀疏监督的AI框架，用冻结的超声基础模型（USFM，ViT-B）为每帧提取768维特征，交给轻量双向LSTM时间头输出0到1的帧质量分数，并以高斯软标签（在专家标注的关键帧处取峰值、随帧距平滑衰减，宽度σ=5帧）训练；在18名受试者、323段超声扫查视频（覆盖9种受控采集扫查类型、约45,500帧）的受试者级五折交叉验证中，该方法在含关键帧的扫查里以82.2%的Hit@1选出可用帧、平均最小距离3.07帧，超过最强无训练基线（USFM特征余弦相似度49.2%）与硬标签模型（71.9%）。
Fig. 1. ONSD frame-quality scoring framework. A frozen USFM encoder and temporal head produce per-frame scores. Gaussian soft targets from labeled key frames supervise the temporal head during training, while inference selects the maximum-scoring frame.
medRxiv · 第 2 页深度剖析
把ONSD关键帧选择表述为稀疏监督的逐帧质量打分，并用高斯软标签构造目标：每个标注关键帧生成一条高斯曲线，逐帧标签取所有关键帧上的最大值，使关键帧处为1并随帧距平滑衰减。 以往方法依赖解剖分割、手工设计的回声模板，或把每帧硬性标为0/1的二分类；本文以连续分级目标替代二值边界，作者认为这更贴近相邻超声帧之间的相似性，也避免在有效区边界上强迫做出突变判断。 证据来自方法设计与对照实验：软标签模型在含关键帧扫查中H@1为82.2%，硬标签模型为71.9%；图3的单段扫查示例中，边界关键帧（第81帧）硬标签模型给0.30分、软标签模型给0.87分。
在冻结的USFM特征之上只训练一个轻量双向LSTM时间头（每方向隐藏层128、输出256）加线性投影与Sigmoid，输出每帧0到1的分数，推理时取最高分帧。 把基础模型特征与只需稀疏帧级标签的时间打分结合：冻结编码器将任务相关学习限制在很少的参数上，作者指出这可大幅减少所需ONSD数据量；时间头让每帧在整段扫查的上下文中被打分，而非逐帧独立判断。 消融显示去掉LSTM后H@1降到74.4%、MMD升到3.76，说明序列建模带来额外增益；训练使用掩码二分类交叉熵，200轮Adam、学习率5×10⁻⁵、批大小8。
在18名受试者、323段扫查（9种受控扫查类型）上做受试者级五折交叉验证，软标签模型取得H@1 82.2%、H@3 84.3%、H@5 86.0%、MMD 3.07帧。 对照基线包括随机选择、RMSE、NCC、USFM特征余弦相似度（最强无训练基线49.2%）以及冻结或微调编码器的硬标签模型，从而把增益分别归因于软标签与时间建模，而非仅仅使用基础模型特征。 整体优势在多个指标上一致（H@5 86.0%对硬标签78.9%），但评估限于单中心小队列，且未使用独立测试集。
按采集视图拆分的H@1显示，软标签模型在全部九种视图上不低于硬标签模型，增益最大的是左向平移（58.3%到100.0%）与上向扇形扫查（41.7%到61.1%）。 这提示分级监督在多种探头运动方式下都有效，而不局限于某一类采集；MMD在多数视图下降，但在上向平移（1.29到2.43帧）与下向扇形扫查（3.20到9.00帧）上升。 基于表2的逐视图统计，拆分到每个视图后的样本量较小。
启示与展望
该框架适用于需要从超声视频中挑出可用于ONSD测量帧的场景，面向希望在低资源或条件受限环境中由超声经验有限人员完成检查的使用者；作者把它定位为自动化采集指导、自动质量评估与客观ONSD测量的第一步。方法只需稀疏帧级标签而非分割掩膜，推理可仅用CPU（NVIDIA Tesla V100上每段扫查3.2±0.3秒，Intel Xeon Gold 6130 CPU节点上40.1±2.4秒），作者同时指出实时使用可能仍需进一步优化。就所报结果而言，它在9种受控采集扫查类型中稳定定位有效帧；作者计划后续评估多中心泛化，并把帧选择与自动ONSD测量整合起来。
标注者间一致性未被评估，因此σ未按标注者差异校准，不过事后敏感性分析显示在σ取3、5、7、9时表现稳定（例如σ=3时H@1为81.8±1.9%，σ=5时为82.2±2.3%）。定位指标排除了80段（24.8%）不含任何关键帧的扫查，推理阶段能否拒绝这类扫查也未评估。评估基于单中心18名受试者，跨受试者、扫描仪、操作者和中心的可推广性仍是开放问题，且未使用独立测试集。在这个小队列中端到端微调不如冻结特征训练，其差异原因未被进一步考察。作者指出本研究中H@1与MMD更具区分度，因为学习类方法倾向于把相邻帧排在一起。该工作只评估帧选择，下游ONSD测量精度或临床决策是否改善尚未建立。此外，本文是未经同行评审认证的medRxiv预印本，其数值有待独立复现。