用于BI-RADS4类肿块动态超声诊断的人工智能新模型 .pdf

用于BI-RADS4类肿块动态超声诊断的人工智能新模型

【摘要】目的探究一种融合了SAM-Y0L0V5深度学习网络和图像处理技术的人工

智能(AI)新模型在乳腺影像报告与数据系统(BI-RADS)4类肿块超声动态视频良

恶性分类中的应用。方法回顾性收集2019年5月至2023年6月汕头大学医学

院第一附属医院经病理证实的BI-RADS4类的乳腺肿块患者458例(530个肿块)，

按7:3的比例进行模型的训练和测试，分析模型的ROC曲线下面积(AUC)、敏感

性、特异性、阳性预测值、阴性预测值。先与单张静态图像下的测试效果进行比

较，再与3个传统的深度学习网络以及高、低年资医师组的测试效果进行比较。

分析新模型在BI-RADS4a、4b、4c类肿块中的诊断效能。结果二维超声动态视

频在新模型中测试所得到的AUC、敏感性、特异性、阳性预测值、阴性预测值高

于使用单张超声静态图像(均P0.05)。新模型对BI-RADS4b类肿块诊断效能最

低。结论基于SAM-Y0L0V5深度学习网络和图像处理技术开发的用于BI-RADS4

类乳腺肿块动态超声分类诊断的新模型有较高的诊断价值,有望用于辅助临床诊

断。

【关键词】超声检查；深度学习；图像处理；人工智能；乳腺肿块

随着当前超声工作的日益繁重，人工智能(artificialintelligence,AI)在

医疗行业的发展迅速崛起，以超声医学图像为基础开发的新型AI系统将是医学

影像领域前沿的研究方向以及应用方向之一,也是协助构建快速、规范、精准的

超声诊疗系统必不可少的工具［1-2］。目前，基于超声图像的AI模型大多数单独

使用深度学习的方法［3］,研究的对象是静态超声图像，且很少有专门针对乳腺影

像报告与数据系统(BreastImagingReportingandDataSystem,BIRADS)4类

病灶进行验证的研究。其中，单独使用深度学习进行网络训练集模型构建需要大

样本量提高其鲁棒性[4-5],降低模型的过拟合效应,即便符合大样本要求，也往

往存在不可解释性的问题。对单张静态图像的研究,往往可通过增大样本量提高

模型的泛化能力，但单张静态图像始终不能代表病灶的完整信息，而对动态视频

的截帧分析可实现对全病灶的分析并可使模型进一步精准化，更符合临床超声医

师的工作习惯。本研究拟通过构建一个融合了SAMY0L0V5深度学习网络和图像处

理技术的AI新模型，对BI-RADS4类病灶超声动态视频中的二维超声特征进行提

取和测算，最终实现良、恶性分类，并比较该模型在动态视频和单张静态图像中的

分类效果，比较该模型与传统的3个深度学习模型以及临床高、低年资超声医师

对乳腺病灶二维超声动态视频的诊断效能。

资料与方法

一、研究对象

本研究经汕头大学医学院第一附属医院伦理评审委员会批准（批注号:B-202

2-125）,患者接受相关检查时均知情同意。回顾性收集2019年5月至2023年6

月在汕头大学医学院第一附属医院超声检查发现乳腺肿块并获得病理结果的女

性患者580例。纳入标准:①女性,18〜70岁，常规超声发现单侧乳腺单个实性占

位病变并诊断为BI-RADS4类的病灶;②肿块长径为3^30mm;③二维超声动态视频

必须包含整个肿块和部分正常腺体组织，画面稳定，图像分辨率不低于224X224

像素。排除标准:①哺乳期、妊娠期者;②有手术、放疗、化疗或假体植入史者;

③有精神性疾病或其他重大疾病者。最终纳入458例女性患者，年龄18^82岁（4

5.8+12.6岁），共530个BI-RADS4类的乳腺肿块超声动态视频（相当于19422张

静态图像），均行乳腺肿块穿刺活检或外科手术且有明确的病理结果，使用上述病

灶的二维超声动态视频构建AI模型样本库，按7:3的比例进行模型的训练和验

证。

二、仪器与方法

1.仪器

应用实时彩色多普勒超声诊断仪并配有线阵换能器，包括CanonAplio180

0（探头频率9〜18MHz）、SiemensAcusonS3000（探头频率9~12MHz）Mind

rayNuewaR9T（探头频率9~12MHz）。

2.超声二维动态视频的获取与质控

患者取平卧体位，由一名经过严格培训的负责会诊并收集乳腺病例的高年资

医师进行二