PAICS：产前超声AI实时辅助诊断胎儿颅内畸形，随机对照试验检出敏感度提升8.7个百分点

核心要点

• 问题：产前超声高度依赖操作者经验，胎儿颅内畸形漏检风险高，基层与低年资超声医师尤易漏诊；AI能否在真实扫描流程中提升检出能力，此前缺少随机对照证据。
• 方法：中山大学附属第一医院等5家中心开展多中心自交叉随机对照试验，1584次扫描检验实时AI辅助系统PAICS对10种胎儿颅内畸形的检出效果，以专家视频判读为参照标准。
• 结果：AI辅助后胎儿层面检出敏感度从78.6%升至87.3%（+8.7个百分点，95%CI 2.9–14.7），畸形层面从69.6%升至81.4%，特异性保持非劣效。
• 意义：证明AI在真实产前超声扫描中能补上漏检、又不显著增加误报，为医学影像AI的临床落地提供了随机对照证据。
• 原文：Evaluating AI-assisted detection of fetal intracranial malformations in prenatal ultrasound practice，The Lancet Digital Health，2026-09-10

1. 胎儿颅内畸形的临床挑战：医学影像AI诊断的薄弱环节

产前超声是筛查胎儿颅内结构异常的一线手段，但它的准确性高度依赖操作者的经验与手法。胎儿颅内畸形（fetal intracranial malformation）如侧脑室增宽、颅内囊肿等，在实时扫描中转瞬即逝，超声医师要在动态、低信噪比的图像里同时完成定位、切面与识别，漏检风险高。尤其在基层机构，低年资医生经验不足，更容易错过关键的异常征象。

这正是「医学影像AI诊断」一直想补上的短板。但过去大多数超声AI研究都在「事后读图」——让模型读提前存好的标准切面或视频，跟真实扫描室里的实时工作流是两回事。AI究竟能不能在超声医师手握探头、边扫边判的真实流程里帮上忙，此前一直缺少设计严格的随机对照试验来回答。

2. PAICS的核心创新：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，2026年9月10日在线发表于 The Lancet Digital Health。系统名为 PAICS（Prenatal Ultrasound Diagnosis Artificial Intelligence Conduct System，产前超声诊断人工智能导引系统）。创新集中在三点。

第一，首次在真实扫描流程中开展自交叉随机对照试验。1584次高危妊娠超声扫描被随机分配到「独立诊断」与「AI辅助诊断」两种顺序，同一批超声医师先后经历两种工作流，中间隔4周洗脱期——既控制了操作者水平的差异，又贴近真实临床。这与此前大模型辅助医生决策的跨国随机试验一脉相承：用随机对照设计直接检验「AI是否提升医生表现」，而不是只测算法的离线准确率。

第二，实时叠加提示。PAICS在扫描过程中实时给出病灶提示，超声医师边扫边参考，而不是扫完再回头读图。这让评估对象从「模型准不准」变成「人机协同有没有更好」。

第三，以专家视频判读为金标准。三位资深专家组成的独立小组审阅超声视频作为参照标准，避免以单一诊断主观定论。

3. 技术原理：实时扫查中叠加的"第二双眼睛"

PAICS是一套基于卷积神经网络的深度学习系统，训练目标是识别10种特定的胎儿颅内畸形。其工作流程可概括为「实时扫查 → 病灶识别 → 叠加提示 → 医生判断」：超声医师扫查时，系统对视频帧进行实时分析，对可疑区域给出提示，医生据此复核并作出诊断。

需要强调，这是一套研究阶段的辅助系统，论文评估的是它在随机对照试验中的辅助价值，而非一个已完成注册、可独立诊断的获批医疗器械；最终诊断责任始终在医生。

4. 数据说话：敏感度提升8.7个百分点，特异性不倒退

论文的核心结果可归纳为几组对比。

亚组分析显示，提升幅度更集中于两类人群：经验6–7年的超声医师（胎儿层面+10.3个百分点）获益大于3–5年者；孕18–27周（+11.7个百分点）比孕周过小或过大者更明显。就具体畸形而言，轻度侧脑室增宽（+14.4个百分点）和脑室内囊肿（+12.4个百分点）提升最突出。

需要注意：这是高风险单胎妊娠、特定孕周、特定经验医师人群中的结果，不能直接外推到普通产前筛查人群；试验结论也限于PAICS训练的10类畸形，范围之外畸形的提升未获证实。

5. 从实验室到临床：应用前景与局限

这项研究为「医学影像AI诊断」的落地提供了稀缺的随机对照证据，可能的应用场景包括：在基层与低年资医生中作为实时「第二双眼睛」降低漏检、在繁忙的产前筛查中辅助定位可疑结构、以及作为培训工具帮助年轻医生积累判读经验。但它至少有三条局限。

其一，人群高度限定——高风险妊娠、单胎、11–32周、且以汉族患者为主，结论能否推广到普通筛查和其他人群需要另行验证。其二，PAICS只识别10种预定义畸形，识别范围之外的异常仍需医生独立判断，不能视为全谱系筛查工具。其三，试验测量的是「检出敏感度/特异性」这类过程指标，尚未证明能改善妊娠结局或转诊决策；而且AI辅助还平均增加约40秒扫描时间。正如此前LungIMPACT胸片AI优先排序的随机试验所示，并非所有AI辅助都能带来临床结局的改善。

6. 结论与产业启示

这项试验传递了一个清晰信号：在真实产前超声扫描中，AI辅助能把超声医师对胎儿颅内畸形的检出敏感度提升8.7个百分点，同时特异性不倒退——这为医学影像AI的临床价值提供了难得的随机对照证据。

对医疗AI产业有三点可执行建议：一是把评估重点从「离线准确率」转向「随机对照的人机协同价值」；二是把AI定位为实时辅助而非独立诊断，明确其识别范围与边界；三是正视人群与场景的限定，落地前补齐多中心、多人群与真实结局验证。归根结底，一份可靠的「医疗AI解决方案」，靠的是像这项试验一样严格的临床验证，而非算法基准上的分数。

相关问题

Q：PAICS现在能直接用于产前超声筛查吗？

A：还不能。这是一项研究阶段的随机对照试验，PAICS只识别10种预定义畸形，且人群限定为高风险妊娠。论文证明的是「AI辅助能提升医生检出敏感度」，不等于已获批可独立用于临床筛查，落地仍需注册审批与更广人群验证。

Q：它会不会替代超声医师？

A：不会，恰恰相反。试验显示人机协同优于医生独立诊断，也优于AI单独诊断——AI的价值在于给医生「补漏」，最终诊断仍由医生作出。经验更丰富的医生获益反而更大，说明它是放大器而非替代者。

Q：这对中国产前筛查环境意味着什么？

A：中国基层产前超声面临医生经验不足、筛查量大、漏检风险高的现实。这类实时辅助系统若能通过更广人群验证与审批，有望帮低年资医生提升检出能力；但当前结论限于高风险人群与特定机构，推广前仍需本地化多中心验证。

参考文献

1. Lei T, Shang N, Xie B, et al. 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. Rajpurkar P, Chen E, Banerjee O, Topol E J. AI in health and medicine. Nature Medicine. 2022;28:31–38. DOI: 10.1038/s41591-021-01614-0
3. Topol E J. High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine. 2019;25:44–56. DOI: 10.1038/s41591-018-0300-7

本文基于 Evaluating AI-assisted detection of fetal intracranial malformations in prenatal ultrasound practice 的独立解读，仅供学术交流，不构成临床建议。