Искусственный интеллект в помощь: 2D ультразвуковое исследование головного мозга плода для выявления внутричерепных аномалий (ALYSSIA)

Своевременное обнаружение аномалий головного мозга плода имеет решающее значение для улучшения пренатального консультирования и постнатальных неврологических исходов. Ультразвуковое исследование (УЗИ) является наиболее часто используемым и эффективным методом визуализации для оценки структур плода; однако диагностическая точность может зависеть от опыта оператора, положения плода и качества изображения, что приводит к вариабельности интерпретации. Анализ изображений на основе искусственного интеллекта (ИИ) предлагает новую возможность стандартизировать диагностическую оценку и снизить субъективность при интерпретации ультразвуковых данных.

Цель данного исследования — оценить диагностическую точность и клиническую применимость модели с поддержкой ИИ (Alyssia), разработанной для анализа архивных 2D-изображений головного мозга плода, полученных при УЗИ. Модель будет обучена и валидирована для различения нормальных и аномальных внутричерепных находок, с особым вниманием к боковым желудочкам и другим соответствующим областям мозга. Исследование использует обсервационный ретроспективный дизайн с применением анонимизированных ультразвуковых данных, полученных в ходе рутинных пренатальных обследований на сроке от 18 до 24 недель беременности.

Эксперты-клиницисты проведут ревизию и разметят все подходящие изображения для установления эталонных классификаций для обучения и валидации модели. Будет разработан алгоритм на основе глубокого обучения для автоматической классификации этих изображений, а его производительность будет оценена с использованием метрик точности, чувствительности, специфичности, прецизионности и F1-меры. Неправильно классифицированные случаи будут подвергнуты качественному анализу для определения способствующих факторов, таких как качество изображения, анатомическая вариабельность и различия по сроку гестации.

Путем сравнения выходных данных модели ИИ с эталонными данными, размеченными экспертами, исследование оценит способность модели повышать стандартизацию диагностики и снижать вариабельность между наблюдателями. Ожидается, что полученные результаты предоставят ценные сведения о внедрении систем поддержки принятия решений на основе ИИ в пренатальную нейросонографию. В конечном счете, данное исследование направлено на поддержку более раннего и надежного обнаружения аномалий головного мозга плода, способствуя улучшению пренатального ухода и более здоровым исходам для матерей и младенцев.