2026 年 7 月底到 11 月初,三篇产科超声 AI 论文相继在线发表。它们的结论听起来很像——"AI 有帮助"——设计却差着数量级:一篇是中国 1,584 次真实扫描的随机交叉试验,一篇是 96 名丹麦临床医师的图片判读试验(还顺带抓出一个关于"人"的警示),一篇的测试集只有 17 名患者,却交出了敏感度 100% 的"满分"。把三份成绩单放在一起,恰好是医疗 AI 证据梯度的一份现成教学标本——也回答一个实际问题:胎儿超声 AI 现在到底可信到哪一步?
## 第一份成绩单:真实临床环境里的随机试验
Lancet Digital Health(9 月 10 日在线先发)发表的 PAICS(Prenatal Ultrasound Diagnosis Artificial Intelligence Conduct System)试验在中国 5 家中心进行,对象是胎儿畸形高风险的单胎妊娠(孕 11–32 周),执行扫描的超声医师年资在 3 年以上、不足 8 年。这项试验的最大价值在设计:多中心自身交叉——每位参与者按 1:1 随机进入两个诊断序列之一,要么"先独立实时扫查、再 AI 辅助离线复核",要么反过来,中间隔 4 周洗脱期,让每位超声医师在两种条件下都充当自己的对照。分配做了隐藏;超声医师不知道胎儿畸形状态;结局评估者和充当参考标准的独立专家小组(视频判读)对分组设盲。主要终点定得很"产科":检出十种特定胎儿颅内畸形的敏感度与特异度——敏感度检验优效,特异度对照 5% 的非劣效界值。漏诊与假阳性两种代价,在设计层面就被同时盯住了。
结果是干净的:2022 年 9 月 6 日至 2023 年 11 月 1 日间完成 1,584 次扫描;以胎儿为单位的分析中,AI 辅助把敏感度提高了 0.087(95% CI 0.029–0.147,优效 P<0.0001),特异度差异仅 0.009(CI −0.006~0.023),达到非劣;以畸形为靶向的分析中敏感度提高 0.118(CI 0.054–0.181),特异度同样非劣。全程没有出现与诊断流程或 AI 辅助相关的不良事件。作者的结论保持克制:PAICS 在保住特异度的同时提高了对目标颅内畸形的检出敏感度,支持把 AI 辅助整合进高危场景的胎儿异常筛查。研究由国家自然科学基金和广东省、广州市及中山大学的基金资助,作者声明无竞争利益;署名名单里有一位作者的所在单位是一家信息技术公司——声明与署名是两条各自可溯源的信息,值得分开读。
也要看清边界:畸形限于 AI 可识别的十种颅内目标;人群限于高风险单胎妊娠与中国 5 家中心;超声医师年资在 3 年以上、不足 8 年——往新手或资深专家两个方向的外推都没有被验证。
## 第二份成绩单:图片判读试验,和一个关于"人"的警示
AJOG MFM(11 月 6 日在线先发)的试验在丹麦 5 家医院进行:96 名妇产科临床医师(住院医师、妇科医师、产科医师)按 1:1 随机,在判读标准化脐动脉与大脑中动脉多普勒图片时接受或不接受 AI 生成的视觉与文字反馈。每人判读 40 张标准化图片;96 人按产科超声经验配成 48 对,全试验合计覆盖 1,920 份互不重复的图片材料。判读任务值得说清楚:对彩色多普勒图,标记门控应该放在哪里;对频谱多普勒图,判断波形在技术上是否合格——这是在评估"这次测量做得规不规范",不是在诊断胎儿。参考答案来自专家共识:两名 10 年以上经验的胎儿医学超声医师按国际妇产科超声学会(ISUOG)的预设标准判定,分歧由胎儿医学顾问裁决;AI 反馈本身也按是否与专家共识一致,被分为正确与错误两类。"新手"的定义是产科超声经验不足 1 年,"经验者"为 1 年及以上。
成绩:AI 反馈把总体判读准确率从 62.3% 提到 75.0%(差 12.7 个百分点,CI 8.2–17.1,P<0.001);新手(36 人)提升 12.1 个百分点(70.0% 对 57.9%),经验者(60 人)提升 13.0 个百分点(78.0% 对 65.0%)——两类人都受益。但三个细节更值得盯住。其一,AI 单独判读好过没有反馈的新手;其二,经验者加 AI 好过 AI 单独——经验没有被算法替代;其三,当 AI 反馈是错的时候,新手跟随错误的比例显著高于经验者(22.3% 对 15.8%,P=0.01)——自动化偏倚在最缺经验的人群里更深。作者的结论因此带着明确限定:AI 反馈错误时,临床经验仍然重要;人机协作需要在实时多普勒采集场景中进一步评估。别忘了这个试验测的是标准化图片判读,不是床旁实时扫查——从考卷到病床,还有一段未验证的路。
## 第三份成绩单:17 个人身上的满分
AJOG MFM 10 月刊的胎盘植入谱系(PAS)研究(7 月 31 日在线先发)针对一个真实而凶险的问题:PAS 是孕产妇病率与死亡的主要原因之一,发病率还在上升,而产前确诊率只有 30%–50%。团队从单中心 2018 到 2025 年间 113 名 PAS 风险孕妇的 756 个 DICOM 文件里提取了 38,907 帧灰度图像(超声时平均孕周 30.89±3.67 周),按最终病理分级标注,患者按 79/17/17 分入训练、验证、测试集。以病理为金标准还有一层隐含代价:只有走到病理确认的病例才进得了数据集,选择偏倚无法排除。模型不是纯图像路线:先用 ImageNet 预训练的 EfficientNetB0 给每帧图像打概率,汇总成患者级评分,再与既往剖宫产次数、前置胎盘状态这两个临床变量一起,交给逻辑回归、随机森林和梯度提升组成的集成分类器。
测试集的成绩看起来完美:准确率 88%,敏感度 100%,阴性预测值 100%,零假阴性,AUC 0.972。模型的重要性集中在胎盘界面,作者称之为生物学合理性的佐证。但把置信区间摆出来,故事就变了:敏感度 100% 的区间是 66.4%–100.0%,特异度 75% 的区间是 34.9%–96.8%——测试集只有 17 人,任何"满分"在这个样本量下都宽得能开卡车。作者自己的定位也是概念验证:结果支持它作为更早筛查工具的潜力,但需要前瞻性试验。这项研究的正确读法是一句话——有希望,未证明。
## 我的三个判断
三份成绩单拼在一起,能读出三个判断——这是把三份证据放在一起的综合,不是任何一篇原文的结论。
第一,证据梯度不是修辞,是量级差异。同样叫"产科超声 AI 有效":一份是 1,584 次真实扫描的自身交叉随机试验,一份是 96 人的图片判读试验,一份是 17 人的回顾性测试集。它们可信度的差距,远大于标题的相似度。读者和决策者应该按设计分级采信,而不是按期刊名或准确率数字的大小。还有一条三份研究共同的空白:没有一份测了患者结局——检出敏感度上升是否真的改变了妊娠结局,无人验证;"无不良事件"也不等于长期安全性证据。
第二,AI 抬高了地板,却向最缺经验的人收了最高的过路费。丹麦试验给出完整的能力排序:经验者加 AI 胜过 AI 单独,AI 单独胜过无辅助的新手;而当 AI 出错时,新手跟随错误的比例比经验者高出约四成(22.3% 对 15.8%)。对培训的直接含义是:引入 AI 辅助之前,先教新手"何时以及如何与 AI 意见相左"——否则工具会把最缺经验的人推进自动化偏倚的深处。
第三,产科筛查该有自己的证据模板:敏感度优效加特异度非劣。漏诊的代价是灾难性畸形漏网,假阳性的代价是焦虑与过度随访,两种代价并不对称。PAICS 的双界值设计正面回应了这种不对称,值得成为产科 AI 试验的默认模板;同一把尺子也量出了 17 人满分的成色——它的置信区间宽到撑不起"满分"这个词。
## 你可以带走什么
如果你是超声医师或产科医师:高危妊娠颅内畸形筛查的 AI 辅助已有真实扫描级的随机试验证据;但多普勒评估的 AI 反馈证据还停在图片判读层面,而你的年资若不足 1 年,尤其要警惕"跟着 AI 走"的冲动——试验里正是这个人群最常跟随错误的反馈。
如果你是医院管理者:部署优先级放在高危筛查场景;把"质疑 AI"写进培训与考核,而不是只培训"使用 AI"。
如果你是研究者:自身交叉设计值得借鉴;对 17 人测试集上的 100% 敏感度,请默认先问置信区间。
如果你是准妈妈:AI 辅助改变的是检出敏感度这一环,报告仍由医生签发、按医生负责;产检报告上更值得追问的,是应见的结构有没有看清,而不是检查时用没用 AI。
真正值得争论的问题是:当 AI 辅助把畸形检出率往上抬,后续的随访、复查与干预决策链该由谁来定规则——医生、医院,还是指南?评论区聊聊。
来源:胎儿颅内畸形 AI 辅助检测多中心自身交叉随机对照试验(Lancet Digit Health 2026;8(10):101040)。 https://doi.org/10.1016/j.landig.2026.101040