AI辅助二维胎儿脑部超声用于颅内异常检测 (ALYSSIA)

及时发现胎儿脑部异常对于改善产前咨询和产后神经系统结局至关重要。 超声检查是评估胎儿结构最常用且有效的成像方法；然而，诊断准确性可能受操作者经验、胎儿位置和图像质量影响，导致解读存在差异。 基于人工智能（AI）的图像分析为标准化诊断评估和减少超声解读的主观性提供了新机遇。

本研究旨在评估一种设计用于分析存档2D胎儿脑部超声图像的AI辅助模型（Alyssia）的诊断准确性和临床适用性。 该模型将通过训练和验证来区分正常和异常颅内发现，特别关注侧脑室及其他相关脑区。 研究采用观察性、回顾性设计，使用妊娠18至24周期间常规产前检查获得的匿名超声数据。

临床专家将审查并标记所有合格图像，为模型训练和验证建立真实分类标准。 将开发一种基于深度学习的算法来自动分类这些图像，并使用准确率、灵敏度、特异度、精确度和F1分数指标评估其性能。 将对误分类病例进行定性分析，以确定影响因素，如图像质量、解剖变异性和妊娠期差异。

通过比较AI模型输出与专家标记的参考标准，本研究将评估该模型在增强诊断标准化和减少观察者间差异方面的能力。 研究结果有望为AI决策支持系统在产前神经超声检查中的整合提供宝贵见解。 最终，本研究旨在支持更早、更可靠地检测胎儿脑部异常，有助于改善产前护理，促进母婴更健康的结局。