产前超声如何减少胎儿颅内畸形漏诊？实时AI辅助系统PAICS的多中心随机对照试验解读

产前超声是筛查胎儿颅内结构异常的一线手段，但它高度依赖操作者的经验与手法：胎儿在实时扫描中不断变换姿势，异常征象转瞬即逝，超声医师必须在动态、低信噪比的灰白图像里同步完成「找切面、对结构、辨异常」，漏检风险高，基层机构和低年资医生尤其容易漏。2026 年 9 月 10 日，《柳叶刀·数字医疗》（The Lancet Digital Health）在线发表了一项由中国 5 家产前诊断中心完成的多中心自交叉随机对照试验，检验实时医学影像 AI 辅助系统 PAICS 能否帮超声医师多检出胎儿颅内畸形。结论是：能——胎儿层面检出敏感度从 78.6% 提升到 87.3%，且特异度保持非劣效，为医学影像智能诊断在真实产前超声流程中的价值提供了难得的随机对照证据。

研究背景：胎儿颅内畸形为什么容易漏诊？

胎儿颅内畸形（如侧脑室增宽、颅内囊肿等）在产前超声里是出了名的「难抓」。原因不在设备，而在扫描过程本身。

• 胎儿在羊水中持续活动，标准切面稍纵即逝；
• 异常征象只出现在某个切面、某个瞬间，错过就再难回看；
• 超声医师须在动态、低信噪比的图像里，一边移动探头找切面、一边完成结构比对与异常识别。

这套「边扫边判」的实时工作流，与绝大多数既有超声 AI 研究的设定存在本质差异——过去的超声 AI 大多是「事后读图」：让模型读取预先保存好的标准切面或录像再下判断，这与真实扫描室里「手握探头、实时判断」的场景并不等同。AI 究竟能否在超声医师实际操作的实时流程中真正帮上忙，此前一直缺少设计严格的随机对照试验来回答。

创新点：PAICS如何把AI放回实时扫描现场？

研究由中山大学附属第一医院等 5 家产前诊断中心完成，检验的是一套实时 AI 辅助系统 PAICS（产前超声诊断人工智能导引系统）。它的创新不在于又刷高了一个离线榜单分数，而在于把 AI 放回了真实、实时的产前超声工作流。

具体到设计上，这项研究做了三件「较真」的事：

• 自交叉设计：29 名超声医师（3 年至不足 8 年经验、均完成至少 200 例产前超声）各自「带 AI」和「不带 AI」读同一类检查，自己做自己的对照，消除医师个体差异的干扰；
• 真实流程：AI 在扫描过程中实时给出提示，而非事后补看录像；
• 严格参照标准：由三人专家小组（两位 20 年以上经验专家加一位 30 年以上经验负责人）对录像进行盲法判读，作为诊断「金标准」。

PAICS 认识 10 种胎儿颅内畸形，包括轻度和重度侧脑室增宽、脑室内与非脑室内囊肿、开放性第四脑室、大枕大池、颅骨光环缺失或不完整等。

技术原理：目标检测网络如何在毫秒级识别异常？

PAICS 的技术底座是基于目标检测网络（YOLOv3 架构）的实时深度学习系统，在标准超声切面图像上识别这 10 种颅内异常模式。

它的工作方式可以概括为「边扫边看、逐帧判断」：超声医师打出标准颅脑切面的那一帧画面，模型在约 0.025 秒内判断这一帧上是否出现它认识的 10 种异常模式，并在屏幕上框出提示；相比之下，专家读同一张图平均要 4.4 秒。

这一速度优势来自训练阶段的规模积累。PAICS 的原始研究（2022 年发表于《Ultrasound in Obstetrics & Gynecology》）显示，模型在实时扫描场景下的宏平均 AUC 达 0.969、微平均 AUC 达 0.981，训练数据为 16,297 例妊娠的 43,890 张图像。也就是说，在「图已经切出来、异常也在画面里」的前提下，模型的图像判别能力已相当接近专家——这为后续的随机试验检验埋下了伏笔。

数据说话：1584次扫描验证出什么？

这是论文最扎实的部分。试验在 2022 年 9 月至 2023 年 11 月间完成 1584 次扫描（1592 例随机入组，1584 例进入意向性分析），纳入 11–32 孕周的高危单胎妊娠。

结果传递了两层关键信息。

第一，敏感度显著提升、特异度不掉。 AI 辅助把胎儿层面检出敏感度从 78.6% 提升到 87.3%（p<0.0001），畸形层面从 69.6% 提升到 81.4%，同时特异度满足预设的非劣效标准——也就是多检出畸形的同时，并没有显著增加误报。这是影像 AI 最理想、也最难达到的平衡点。

第二，人机协作优于任何一方单干。 胎儿层面的 ROC 曲线下面积显示，AI 辅助下的超声医师（AUC 0.921）优于无辅助医师（0.873），也优于 AI 单独使用（0.864）。更有意思的是，超声医师会推翻 AI 的大部分错误——64% 的假阳性和 59% 的假阴性都被医生纠正了过来，说明 AI 是「提个醒」，最终判断仍握在医生手里。整个试验期间无相关不良事件报告。

应用前景与局限

这项研究的价值在于，它为医学影像 AI 在真实、实时的产前超声工作流中「补上漏检」提供了罕见的随机对照证据，尤其可能惠及基层与低年资超声医师，缓解因经验差异造成的漏诊不均。

局限同样要讲清楚。第一，试验在中国 5 家中心、高危妊娠人群中开展，结论未必能直接外推到常规产前筛查或其他人群；第二，参照标准是专家录像判读而非出生后的临床结局，AI 多检出的畸形最终有多少影响结局仍待验证；第三，AI 辅助下的扫描平均要多花约 40 秒，在门诊吞吐压力大的场景里需要权衡；第四，AI 识别范围外的畸形（本研究仅 18 例其他颅内畸形）检出率没有显著变化，说明它补的是「异常在画面里、但医生没认出来」的部分，而不是「切面没打出来」的部分。

结论

胎儿颅内畸形的漏诊，长期困扰着高度依赖经验的产前超声。PAICS 这项多中心自交叉随机对照试验用 1584 次真实扫描证明：实时 AI 辅助能把胎儿层面检出敏感度从 78.6% 提升到 87.3%，同时特异度保持非劣效，人机协作的 AUC 达到 0.921，优于任何一方单独使用。它说明医学影像智能诊断在产前超声里不是「事后补看」，而能真正嵌入「边扫边判」的实时流程、在医生把最终关的前提下减少漏检。能否推广到常规筛查、多检出的异常最终能否改善结局，是下一步需要回答的问题。

论文原文信息地址：https://www.simomia.com/blog/2026-10-23-paics-fetal-intracranial-ultrasound/

参考文献

1. Lei T, Shang N, Xie B, Luo Y, Zheng H, Li H, Zhang C, Wang N, Zhou Q, Xie H. Evaluating AI-assisted detection of fetal intracranial malformations in prenatal ultrasound practice: a multicentre, self-crossover, randomised controlled trial in China. The Lancet Digital Health. 2026. DOI: 10.1016/j.landig.2026.101040
2. Xie H, et al. Prenatal ultrasound diagnosis artificial intelligence conduct system (PAICS) for detection of fetal intracranial abnormalities. Ultrasound in Obstetrics & Gynecology. 2022. （PAICS 原始研究，实时场景宏平均 AUC 0.969、微平均 0.981，训练 16,297 例妊娠 / 43,890 张图像）

相关问题 FAQ

医学影像AI怎么做？PAICS和「事后读图」的超声AI有什么不同？

做医学影像 AI，超声场景长期存在一个「时差」：大多数研究训练模型读取预先存好的标准切面或录像，做的是「事后读图」。PAICS 换了条路——把模型做成实时目标检测系统，在超声医师打出标准颅脑切面的那一帧画面时，用约 0.025 秒判断是否出现 10 种颅内异常模式并实时框出提示。研究再用多中心自交叉随机对照试验去验证「边扫边判」的真实价值，最终证明实时 AI 辅助能把胎儿层面敏感度从 78.6% 提到 87.3%、特异度还不掉。

产前超声AI能直接替代超声医师吗？

不能，也不该。这项试验里，超声医师推翻了 AI 的 64% 假阳性和 59% 假阴性，且人机协作（AUC 0.921）优于 AI 单独使用（0.864）。AI 的角色是「提个醒」，把医生可能看漏的异常指出来，最终诊断判断始终握在医生手里——这也是试验全程无不良事件的重要原因。

PAICS现在能直接用于常规产检吗？

还不能。这项试验在 5 家中心、高危妊娠人群中开展，参照标准是专家录像判读而非出生后结局；AI 识别范围外的畸形检出率也没有显著提升，且 AI 辅助下扫描平均多花约 40 秒。它目前提供的是「实时 AI 辅助能减少漏检」的随机对照证据，要推广到常规筛查和更多人群，还需要独立的、以临床结局为终点的进一步试验。