一种基于机器学习的新工具为医生提供了更清晰、更精准的胎儿三维健康图像，有望显著提升产前诊断水平。传统超声检查通常只能生成二维黑白图像，虽能识别胎儿性别、大致体型及部分先天异常，但若需深入了解，往往依赖磁共振成像（MRI）。然而，MRI生成的三维图像对医生而言难以解读，因人类视觉系统不习惯处理这种立体体积数据，尤其难以判断胎儿在子宫内的真实姿态与内部结构。 为解决这一难题，麻省理工学院计算机科学与人工智能实验室（CSAIL）、波士顿儿童医院（BCH）与哈佛医学院联合开发出名为“Fetal SMPL”的新算法。该模型源自计算机图形学中的“SMPL”（多人体线性皮肤模型），专为捕捉成人身体形态与姿态设计。研究团队将其改造为适用于胎儿的三维建模系统，通过2万份真实胎儿MRI数据进行训练，能够精准预测胎儿在子宫中的位置、大小与姿势。 Fetal SMPL模型内部包含由23个可活动关节组成的“运动学树”结构，模拟胎儿的骨骼系统，使模型能像真实胎儿一样灵活运动。测试表明，该系统对未见过的MRI图像的平均误差仅为3.1毫米，小于一粒米的长度，表现出极高的准确性。医生可借此精确测量胎儿头围、腹围等关键指标，并与同龄健康胎儿进行对比。 研究负责人、MIT博士生兼CSAIL研究员刘颖程表示，胎儿在子宫内空间狭小、姿态多变，传统方法难以建模。Fetal SMPL通过骨骼结构建模与坐标下降算法，交替优化形状与姿态预测，实现了高精度估计。 目前该模型仅能分析胎儿表面结构，因模型基于骨骼形态。未来团队计划升级为“体素化”模型，以捕捉胎儿肝脏、肺部、肌肉等内部器官发育情况，进一步提升临床价值。 专家评价称，这项研究首次将参数化人体模型应用于胎儿阶段，不仅提升了胎儿MRI的诊断能力，还为研究胎儿运动与大脑发育的关系提供了新工具。同时，该模型与成人和婴儿模型兼容，为追踪人类从胎儿到成人的形态与运动演变提供了前所未有的科学路径。