一种基于分层多智能体框架的胎儿超声心动图分析系统及方法

本发明属于医学图像处理与人工智能，具体涉及一种基于分层多智能体框架的胎儿超声心动图分析系统及方法，特别适用于先天性心脏病的产前超声筛查。

背景技术：

1、先天性心脏病（congenital heart disease, chd）是全球最常见的胎儿结构性畸形之一，也是导致新生儿死亡和长期残疾的主要原因。胎儿超声心动图是目前产前筛查chd的首选影像学手段。然而，该技术的准确解读高度依赖专业医师的经验水平。临床医生必须在多个标准心脏切面（如四腔心切面、左心室流出道切面、右心室流出道切面、三血管气管切面等）中识别微细的解剖异常，并在不同切面之间保持解剖结构的一致性判断。

2、近年来，深度学习技术在超声图像分析中取得了显著进展。卷积神经网络及其变体在切面定位、解剖结构分割和疾病分类等任务中表现出良好性能。视觉语言模型的出现进一步推动了多模态医学图像理解的发展。

3、然而，现有技术仍存在以下不足：

4、1.缺乏多切面一致性建模：大多数方法独立处理各个心脏切面，未能模拟临床分析中必须遵循的跨切面解剖一致性约束，导致图像特征分析结果不可靠。

5、2.细粒度感知能力不足：通用视觉语言模型对超声图像中微小病变（如室间隔缺损、房间隔缺损）的识别能力有限，且易受到声学噪声和斑点伪影的干扰。

6、3.缺乏临床指南约束：现有的医学智能体系统未显式建模国际妇产科超声学会等临床分析指南，缺乏逻辑验证机制，容易产生“幻觉性”分析。

7、4.单模型推理缺乏可解释性：单一模型的输出缺乏结构化的证据链条，无法满足临床对可解释性和可信赖性的要求。

8、因此，亟需一种能够模拟专家医师认知流程、具备多切面一致性验证能力和可解释性的智能分析系统。

技术实现思路

1、为解决现有技术缺乏多切面一致性建模、细粒度感知能力不足、缺乏临床指南约束及可解释性差的技术问题，本发明提供一种基于分层多智能体框架的胎儿超声心动图分析系统及方法，旨在提供一种具备多切面一致性验证能力和可解释性的智能分析系统。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于分层多智能体框架的胎儿超声心动图分析系统，所述方法包括：视图专用专家智能体模块、不确定性感知与迭代优化模块和多视角协作推理委员会模块；

4、所述视图专用专家智能体模块：包含若干个专家智能体，每个专家智能体对应一个标准胎儿心脏超声切面，用于接收切面图像并输出分类结果及描述文本；

5、所述不确定性感知与迭代优化模块：连接所述视图专用专家智能体模块的输出端，用于计算混合不确定性评分、执行基于临床指南的逻辑一致性验证，并在满足触发条件时驱动所述专家智能体进行迭代修正，获得修正后的多切面证据；

6、所述多视角协作推理委员会模块：连接所述不确定性感知与迭代优化模块的输出端，包含若干个多模态推理智能体，用于基于修正后的多切面证据进行分析，并通过多数投票机制生成最终的图像特征分析结果。

7、优选的，所述专家智能体基于预训练的视觉语言模型骨干网络构建，通过低秩适应进行参数高效微调，具体包括：

8、加载预训练vit视觉编码器和预训练大语言模型；

9、初始化视觉-语言对齐模块，进行特征空间对齐预训练；

10、对每个切面图像，注入lora适配器，使用预设的切面专属标注数据进行微调；

11、冻结骨干参数，仅保留lora参数作为各专家智能体的专用权重。

12、优选的，所述不确定性感知与迭代优化模块包括：双源不确定性评估子模块、基于指南的验证子模块和迭代优化触发子模块；

13、所述双源不确定性评估子模块，用于基于所述分类结果和所述描述文本，获得混合不确定性评分；

14、所述基于指南的验证子模块，用于对所述分类结果和所述描述文本，执行切面内逻辑验证和跨切面解剖一致性验证，输出一致性评分和错误描述文本；

15、所述迭代优化触发子模块，用于在所述混合不确定性评分高于预设的第一阈值或一致性评分低于预设的第二阈值时，触发所述专家智能体重新推理。

16、优选的，所述双源不确定性评估子模块基于所述分类结果和所述描述文本，获得混合不确定性评分的过程包括：

17、；

18、其中，u_k为混合不确定性评分，α为权重系数，h为输出标记概率分布的熵，p为概率分布，y_k为分类结果，i_k为切面图像，ihedge为指示函数，r_k为描述文本。

19、优选的，所述基于指南的验证子模块对所述分类结果和所述描述文本，执行切面内逻辑验证和跨切面解剖一致性验证，输出一致性评分和错误描述文本的过程包括：

20、s_intra(k) = p_entail(r_k, label2text(y_k))；

21、s_cross(q) = σ(f_match(extract(r_i), extract(r_j), g_q))；

22、s_verify=β·(1/k·σ_{k=1}^{k}s_intra(k))+(1-β)·(1/q·σ_{q=1}^{q}s_cross(q))；

23、其中，s_intra(k) 为第k个切面的切面内逻辑一致性分数，p_entail为蕴含概率，label2text(y_k)是一个将离散的切面标签映射为自然语言陈述的函数，s_cross(q) 为第q条跨切面规则的满足度分数，σ为sigmoid归一化，f_match为规则匹配函数，extract为关键实体提取函数，g_q为规则，s_verify为一致性评分，β为平衡系数，k为切面总数，q为适用规则总数，i、j、k为索引变量；

24、通过汇总所有 s_intra(k)<θ_c 或 s_cross(q)<θ_g 的违反项生成错误描述文本 c_err ，其中，θ_c为预设矛盾阈值，θ_g为经验性阈值分数。

25、优选的，所述多模态推理智能体基于修正后的多切面证据进行分析，并通过多数投票机制生成最终的图像特征分析结果的过程包括：

26、基于修正后的多切面证据构建视图级证据集合；

27、将所述切面图像和所述视图级证据集合，构造为统一的多模态提示序列；

28、将所述多模态提示序列输入所述多模态推理智能体中进行跨切面证据综合推理和类别判定，生成推理链文本和判定类别；

29、采用多数投票机制生成最终的图像特征分析结果。

30、优选的，将所述多模态提示序列输入所述多模态推理智能体中进行跨切面证据综合推理和类别判定，生成推理链文本和判定类别的过程包括：

31、；

32、其中，ω_n为异常证据强度函数，w_k为第k个切面的分析权重，φ(·)为推理智能体对第k个切面的异常程度评估函数，为修正后的分类结果，为修正后的描述文本，为视觉特征序列。

33、本发明还提供了一种基于分层多智能体框架的胎儿超声心动图分析方法，所述方法应用前述的系统实现，所述方法包括：

34、步骤s1：获取胎儿心脏超声检查中的若干个切面图像；

35、步骤s2：将各切面图像输入对应的专家智能体，获得分类结果和描述文本；

36、步骤s3：基于所述分类结果和所述描述文本，计算各切面的混合不确定性评分，执行基于临床指南的逻辑一致性验证；

37、步骤s4：基于所述逻辑一致性验证结果判断是否满足迭代优化触发条件，若满足则生成修正后的多切面证据；

38、步骤s5：将修正后的多切面证据输入多模态推理智能体，通过多数投票机制生成最终的图像特征分析结果。

39、优选的，所述步骤s3中基于所述分类结果和所述描述文本，计算各切面的混合不确定性评分的方法包括：

40、；

41、其中，u_k为混合不确定性评分，α为权重系数，h为输出标记概率分布的熵，p为概率分布，y_k为分类结果，i_k为切面图像，ihedge为指示函数，r_k为描述文本。

42、优选的，所述步骤3中执行基于临床指南的逻辑一致性验证的方法包括：

43、s_intra(k) = p_entail(r_k, label2text(y_k))；

44、s_cross(q) = σ(f_match(extract(r_i), extract(r_j), g_q))；

45、s_verify=β·(1/k·σ_{k=1}^{k}s_intra(k))+(1-β)·(1/q·σ_{q=1}^{q}s_cross(q))；

46、其中，s_intra(k) 为第k个切面的切面内逻辑一致性分数，p_entail为蕴含概率，label2text(y_k)是一个将离散的切面标签映射为自然语言陈述的函数，s_cross(q) 为第q条跨切面规则的满足度分数，σ为sigmoid归一化，f_match为规则匹配函数，extract为关键实体提取函数，g_q为规则，s_verify为一致性评分，β为平衡系数，k为切面总数，q为适用规则总数，i、j、k为索引变量；

47、通过汇总所有 s_intra(k)<θ_c 或 s_cross(q)<θ_g 的违反项生成错误描述文本 c_err ，其中，θ_c为预设矛盾阈值，θ_g为经验性阈值分数。

48、与现有技术相比，本发明的有益效果为：

49、1.显式模拟临床分析流程：通过分层多智能体架构，分别实现视角感知、不确定性优化和协作推理，使分析过程可解释、可追溯。

50、2.显著提升分析准确性：在包含6000张图像、超过20种chd亚型的私有数据集上，分析准确率达到88.3%，auc达到0.94，优于现有通用vlm和医疗智能体框架。

51、3.有效抑制假阳性和幻觉分析：在仅包含正常样本的外部数据集上，特异性达到93.3%，显著降低了过度分析风险。

52、4.良好的跨切面一致性：通过基于指南的验证模块，自动检测并修正切面内和切面间的逻辑矛盾。

53、5.可扩展性强：支持动态增加新切面专家智能体和新疾病类型。