人工智能（AI），尤其是深度学习（DL），在医学影像和医疗领域中找到了越来越广泛的应用。与DL相关的研究的相当一部分集中在使用已知地面真实标签的验证数据集来回顾性评估模型性能。很少有研究进一步探讨了DL辅助如何影响声学家的诊断能力，甚至更少有研究探索DL在临床诊断中如何最有效地提供帮助。
在本研究中，进行了一项多读者、交叉随机对照试验（RCT），招募了36名声学家。他们的任务是解读胎儿神经声学图像和视频，既不使用PAICS系统的帮助，也使用两种不同模式的PAICS辅助。主要目标是评估PAICS在支持胎儿颅内畸形诊断方面的有效性，并将其与其他辅助诊断方法进行比较。
这项研究的发现表明，PAICS系统深度学习能力增强的图像和视频阅读模式大大提高了中枢神经系统畸形分类的准确性。这表明该系统在提高声学家对胎儿颅内畸形检测方面的诊断性能方面具有重要的潜力。
在研究过程中，共扫描了734个有颅内异常发现的胎儿和19,709个正常胎儿。然而，由于图像质量或冗余等问题，排除了254个有异常发现的胎儿和19,631个正常胎儿。最终，符合纳入标准的共有558个胎儿的709个原始图像和视频（549个图像和160个视频）被纳入研究。
试验结果表明，PAICS有潜力提高声学家从神经声学数据中识别胎儿颅内畸形的诊断性能，无论是同时使用还是以次要模式使用。值得注意的是，对于所有读者来说，同时使用PAICS的效果更好。进一步的研究应在真实临床环境中进行，涉及更多病例，以全面评估PAICS在检测先天性颅内畸形方面提供的帮助。