Échographie 2D du cerveau fœtal assistée par IA pour la détection d'anomalies intracrâniennes (ALYSSIA)

La détection précoce des anomalies cérébrales fœtales est cruciale pour améliorer le conseil prénatal et les résultats neurologiques postnataux. L'échographie est la méthode d'imagerie la plus couramment utilisée et efficace pour évaluer les structures fœtales ; cependant, la précision diagnostique peut être affectée par l'expérience de l'opérateur, la position fœtale et la qualité de l'image, entraînant une variabilité dans l'interprétation. L'analyse d'images basée sur l'intelligence artificielle (IA) offre une nouvelle opportunité de standardiser l'évaluation diagnostique et de réduire la subjectivité dans l'interprétation échographique.

Cette étude vise à évaluer la précision diagnostique et l'applicabilité clinique d'un modèle assisté par IA (Alyssia) conçu pour analyser des images échographiques 2D archivées du cerveau fœtal. Le modèle sera entraîné et validé pour distinguer les observations intracrâniennes normales et anormales, en se concentrant particulièrement sur les ventricules latéraux et d'autres régions cérébrales pertinentes. La recherche utilise un design observationnel rétrospectif en utilisant des données échographiques anonymisées obtenues lors d'examens prénataux de routine entre 18 et 24 semaines de gestation.

Des cliniciens experts examineront et étiquetteront toutes les images éligibles pour établir des classifications de référence pour l'entraînement et la validation du modèle. Un algorithme basé sur l'apprentissage profond sera développé pour classer automatiquement ces images, et ses performances seront évaluées à l'aide des métriques de précision, sensibilité, spécificité, précision et score F1. Les cas mal classés seront analysés qualitativement pour déterminer les facteurs contributifs tels que la qualité de l'image, la variabilité anatomique et les différences gestationnelles.

En comparant les sorties du modèle d'IA avec les références étiquetées par des experts, l'étude évaluera la capacité du modèle à améliorer la standardisation diagnostique et à réduire la variabilité inter-observateur. Les résultats devraient fournir des informations précieuses sur l'intégration des systèmes d'aide à la décision basés sur l'IA en neurosonographie prénatale. En fin de compte, cette recherche vise à soutenir une détection plus précoce et plus fiable des anomalies cérébrales fœtales, contribuant à améliorer les soins prénatals et à des résultats plus sains pour les mères et les nourrissons.