KI-unterstützte 2D-Fetalhirn-Ultraschalluntersuchung zur Erkennung intrakranieller Anomalien (ALYSSIA)

Eine frühzeitige Erkennung fetaler Hirnanomalien ist entscheidend für die Verbesserung der pränatalen Beratung und der postnatalen neurologischen Ergebnisse. Ultraschall ist die am häufigsten verwendete und effektivste Bildgebungsmethode zur Beurteilung fetaler Strukturen; die diagnostische Genauigkeit kann jedoch durch die Erfahrung des Bedieners, die fetale Position und die Bildqualität beeinflusst werden, was zu Variabilität bei der Interpretation führt. Die auf künstlicher Intelligenz (KI) basierende Bildanalyse bietet eine neue Möglichkeit, die diagnostische Bewertung zu standardisieren und die Subjektivität bei der Ultraschallinterpretation zu reduzieren.

Diese Studie zielt darauf ab, die diagnostische Genauigkeit und klinische Anwendbarkeit eines KI-gestützten Modells (Alyssia) zu bewerten, das zur Analyse archivierter 2D-Ultraschallbilder des fetalen Gehirns entwickelt wurde. Das Modell wird trainiert und validiert, um zwischen normalen und abnormalen intrakraniellen Befunden zu unterscheiden, mit besonderem Fokus auf die Seitenventrikel und andere relevante Hirnregionen. Die Forschung verwendet ein beobachtendes, retrospektives Design unter Verwendung anonymisierter Ultraschalldaten, die während routinemäßiger pränataler Untersuchungen zwischen der 18. und 24. Schwangerschaftswoche erhoben wurden.

Expert:innen werden alle geeigneten Bilder überprüfen und kennzeichnen, um Referenzklassifikationen für das Training und die Validierung des Modells zu erstellen. Ein auf Deep Learning basierender Algorithmus wird entwickelt, um diese Bilder automatisch zu klassifizieren, und seine Leistung wird anhand der Metriken Genauigkeit, Sensitivität, Spezifität, Präzision und F1-Score bewertet. Falsch klassifizierte Fälle werden qualitativ analysiert, um Einflussfaktoren wie Bildqualität, anatomische Variabilität und Schwangerschaftsunterschiede zu bestimmen.

Durch den Vergleich der KI-Modellausgaben mit den von Expert:innen gekennzeichneten Referenzen wird die Studie die Fähigkeit des Modells bewerten, die diagnostische Standardisierung zu verbessern und die Variabilität zwischen verschiedenen Beobachtern zu reduzieren. Die Ergebnisse sollen wertvolle Einblicke in die Integration KI-basierter Entscheidungsunterstützungssysteme in der pränatalen Neurosonographie liefern. Letztendlich zielt diese Forschung darauf ab, eine frühere und zuverlässigere Erkennung fetaler Hirnanomalien zu unterstützen und so zur Verbesserung der pränatalen Versorgung und gesünderen Ergebnissen für Mütter und Säuglinge beizutragen.