AI-assisterad 2D-fosterhjärnans ultraljud för detektering av intrakraniella anomali (ALYSSIA)

Att i tid upptäcka hjärnavvikelser hos fostret är avgörande för att förbättra rådgivningen under graviditeten och de neurologiska utfallen efter förlossningen. Ultrasonografi är den vanligaste och mest effektiva bildgivningsmetoden för att utvärdera fosterstrukturer; diagnostisk noggrannhet kan dock påverkas av operatörens erfarenhet, fosterposition och bildkvalitet, vilket leder till variation i tolkningen. Bildanalys baserad på artificiell intelligens (AI) erbjuder en ny möjlighet att standardisera diagnostisk bedömning och minska subjektiviteten vid ultraljudstolkning.

Denna studie syftar till att utvärdera den diagnostiska noggrannheten och den kliniska tillämpbarheten hos en AI-assisterad modell (Alyssia) som är utformad för att analysera arkiverade 2D-ultraljudsbilder av fosterhjärnan. Modellen kommer att tränas och valideras för att skilja mellan normala och onormala intrakraniella fynd, med särskilt fokus på laterala ventriklar och andra relevanta hjärnområden. Forskningen använder en observationsstudie med retrospektiv design som använder anonymiserade ultraljudsdata som erhållits under rutinmässiga fosterundersökningar mellan 18 och 24 veckors graviditet.

Expertkliniker kommer att granska och märka ut alla kvalificerade bilder för att fastställa grundsanningens klassificeringar för modellträning och validering. En djupinlärningsbaserad algoritm kommer att utvecklas för att automatiskt klassificera dessa bilder, och dess prestanda kommer att utvärderas med hjälp av mått som noggrannhet, sensitivitet, specificitet, precision och F1-poäng. Felklassificerade fall kommer att kvalitativt analyseras för att fastställa bidragande faktorer som bildkvalitet, anatomisk variation och graviditetsskillnader.

Genom att jämföra AI-modellens utdata med expertmärkta referenser kommer studien att bedöma modellens förmåga att förbättra diagnostisk standardisering och minska variation mellan observatörer. Resultaten förväntas ge värdefulla insikter om integrationen av AI-baserade beslutsstödssystem i prenatal neurosonografi. I slutändan syftar denna forskning till att stödja tidigare och mer tillförlitlig upptäckt av hjärnavvikelser hos fostret, vilket bidrar till förbättrad prenatal vård och hälsosammare utfall för mödrar och spädbarn.