基于小脑-脑池解剖结构约束的深度学习模型提升胎儿小脑发育不良产前超声诊断精度

来自湖北省妇幼保健院的研究团队开发了解剖结构约束网络(ASC-Net)，通过整合超声图像与小脑-脑池解剖标记，显著提升胎儿小脑发育不良(CH)的产前诊断准确率。该模型在测试集上取得0.9778分类准确率和0.9986 AUC值，为临床提供新型AI辅助诊断工具。

　　

这项突破性研究聚焦胎儿中枢神经系统最常见的先天性畸形——小脑发育不良(Cerebellar Hypoplasia, CH)的产前诊断难题。针对超声影像分辨率低、颅骨声影干扰等技术瓶颈，科研团队创新性地构建了双分支解剖结构约束网络(Anatomical Structure-Constrained Network, ASC-Net)。该模型巧妙融合原始超声图像与专家标注的小脑、颅骨及小脑延髓池(cerebellomedullary cistern)的解剖结构掩膜，在包含302例CH病例和549例正常妊娠的大样本数据集中展现出卓越性能。

研究结果显示，ASC-Net在两个独立测试集上分别达到0.9778和0.9222的分类准确率，其受试者工作特征曲线下面积(AUC)更分别高达0.9986和0.9265，显著优于现有深度学习模型。特别值得注意的是，在孕周>30周的亚组分析中，模型展现出更强的鉴别能力，这为解决传统超声诊断中随孕周增加而加剧的成像困难提供了新思路。

该研究的创新点在于首次系统论证了小脑-脑池复合体解剖约束对超声AI诊断效能的提升作用。当同时采用小脑和脑池结构约束时，模型性能达到最优，这为理解胎儿神经发育异常的影像学标志物提供了新视角。开源发布的ASC-Net代码库将助力临床医生进行更精准的产前咨询，推动围产期医疗质量提升。