AI-ondersteunde 2D foetale hersen-echografie voor detectie van intracraniële afwijkingen (ALYSSIA)

Vroegtijdige detectie van foetale hersenafwijkingen is cruciaal voor het verbeteren van prenatale counseling en postnatale neurologische uitkomsten. Echografie is de meest gebruikte en effectieve beeldvormingsmethode voor het evalueren van foetale structuren; de diagnostische nauwkeurigheid kan echter worden beïnvloed door de ervaring van de operator, de foetale positie en de beeldkwaliteit, wat kan leiden tot variabiliteit in interpretatie. Op kunstmatige intelligentie (AI) gebaseerde beeldanalyse biedt een nieuwe mogelijkheid om diagnostische beoordeling te standaardiseren en subjectiviteit bij echografie-interpretatie te verminderen.

Deze studie heeft als doel de diagnostische nauwkeurigheid en klinische toepasbaarheid te evalueren van een AI-ondersteund model (Alyssia) dat is ontworpen om gearchiveerde 2D-echobeelden van de foetale hersenen te analyseren. Het model zal worden getraind en gevalideerd om onderscheid te maken tussen normale en abnormale intracraniële bevindingen, met speciale aandacht voor de laterale ventrikels en andere relevante hersengebieden. Het onderzoek maakt gebruik van een observationeel, retrospectief ontwerp met geanonimiseerde echografiegegevens die zijn verkregen tijdens routinematige prenatale onderzoeken tussen 18 en 24 weken zwangerschap.

Deskundige clinici zullen alle in aanmerking komende beelden beoordelen en labelen om grondwaarclassificaties vast te stellen voor modeltraining en -validatie. Er zal een op deep learning gebaseerd algoritme worden ontwikkeld om deze beelden automatisch te classificeren, en de prestaties ervan zullen worden geëvalueerd met behulp van nauwkeurigheid, gevoeligheid, specificiteit, precisie en F1-score metrieken. Verkeerd geclassificeerde gevallen zullen kwalitatief worden geanalyseerd om bijdragende factoren te bepalen, zoals beeldkwaliteit, anatomische variabiliteit en zwangerschapsverschillen.

Door AI-modeluitvoer te vergelijken met door experts gelabelde referenties, zal de studie het vermogen van het model beoordelen om diagnostische standaardisatie te verbeteren en inter-observer variabiliteit te verminderen. De bevindingen zullen naar verwachting waardevolle inzichten opleveren in de integratie van AI-gebaseerde beslissingsondersteunende systemen in prenatale neurosonografie. Uiteindelijk beoogt dit onderzoek een eerdere en betrouwbaardere detectie van foetale hersenafwijkingen te ondersteunen, wat bijdraagt aan verbeterde prenatale zorg en gezondere uitkomsten voor moeders en baby's.