胎儿超声早筛不再依赖海量标注：RadarMAE用雷达式掩码预训练，跨院指标下降不超过0.04
核心概要
早孕期唐氏筛查的超声图像分辨率低、结构差异大，而罕见异常病例稀少，使常规自监督预训练难以奏效。RadarMAE改用同心圆环与角度扇区交替遮挡的雷达式掩码，迫使网络学习颅面结构的连续曲率与细长形态，在内部队列上取得AUC 0.99、准确率0.97。配合域对抗适配，模型在四家外部医院仅用无标注图像校准，关键指标相对内部的下降被限制在0.04以内。
深度剖析
胎儿超声的早孕期唐氏筛查现在可以由一个在有限临床数据上预训练的自监督模型完成，并在多家外部医院保持接近内部的判别能力。 早孕期人工筛查的检出率只有69%、特异度约92%，明显低于中孕期约90%检出率与约95%特异度；标准自监督方法依赖数百万张图像的空间冗余，而唐氏综合征发生率低于0.1%，基层医院一年往往不足10例阳性。 在内部队列上，ViT加RadarMAE取得AUC 0.99、准确率0.97、敏感度0.93、特异度0.98，高于同样经过空间配准的ResNet迁移学习基线（AUC 0.98、准确率0.95、敏感度0.90、特异度0.96）。
模型先在未标注图像上学会胎儿颅面结构，再用少量标注样本微调分类，从而绕开对大规模标注的依赖。 常规掩码自编码器随机遮挡图像块，在结构信息密集的超声图上可能整块盖住颈项透明层等关键区域，使网络学不到有临床意义的表征。 RadarMAE按固定半径间隔遮挡同心圆环、按角度间隔遮挡扇区，两种模式叠加形成类似雷达扫描的遮挡图样，保留足够邻域上下文供重建；预训练后丢弃解码器，编码器用于下游任务。
跨院部署时，模型只需目标医院少量无标注图像即可完成适配，不需要当地诊断标签。 不同超声设备、采集协议与操作者经验造成域偏移，而基层机构阳性病例太少，无法独立训练有监督模型。 核心-分支框架把主诊断分类器与域分类器配对，后者经梯度反转层削弱源域与目标域特征的可区分性；以BOGH为源域、四家医院为目标域，目标域仅提供约50至100例无标注图像，外部汇总AUC 0.98、准确率0.95、敏感度0.93、特异度0.94，XYH与TAHZU两个外部队列的唐氏病例全部被检出。
启示与展望
已展示的范围是孕11至13+6周、经侵入性检测确认核型的二维正中矢状面胎儿面部图像，训练与评估数据全部来自中国五家三级医院；模型只针对唐氏综合征训练和评估。
外部评估以四家医院汇总的AUC、准确率、敏感度和特异度呈现，单家医院的完整指标未在正文中逐项列出；作者也指出，把人群级热图转化为可嵌入日常流程的实时界面仍需人机工程与软件层面的完善。