S-Detect技术与BI-RADS分类对乳腺肿物良恶性评估的比较

目的比较S-Detect技术与BI-RADS分类对乳腺肿物良恶性评估的准确度。方法选取175例乳腺肿物患者共202个部位,每个部位均进行S-Detect检查及BI-RADS分类,将S-Detect诊断、BIRADS分类的结果与术后病理结果进行对比分析。结果 202个乳腺肿物术后病理结果:良性病变93个,恶性病变109个,良性与恶性的检出率相比,差异无统计学意义(P0.05)。S-Detect检查结果:良性病变95个,恶性病变107个;BI-RADS分类良性病变88个,恶性病变114个;S-Detect技术的准确度为78.2%、灵敏度为77.4%、特异度为78.9%。BI-RADS分类的准确度为78.7%、灵敏度为74.2%、特异度为82.6%。结论 S-Detect技术是一种能够对乳腺肿物良恶性进行快速判断的较为安全、准确的检查方法。     

S-Detect技术应用于超声诊断乳腺包块的影响因素及与超声医师联合诊断的分析

目的:探讨S-Detect应用于乳腺包块中敏感性、特异性、符合率的影响因素。分析S-Detect与超声医师联合诊断的诊断价值,及与病理诊断的一致性。方法:回顾性分析经病理证实且同时应用S-Detect技术诊断的453例乳腺肿物患者的相关资料,根据S-Detect的影响因素分组,采用卡方检验计算并比较S-Detect诊断的敏感性、特异性、符合率。采用Logistic回归分析方法研究影响因素与病理诊断良恶性的关系。由一个超声医师进行乳腺超声检查与S-Detect检查,由另一个超声医师对留存图像进行分析根据美国放射学会BI-RADS分级对包块进行分级,再联合S-Detect做出联合诊断。计算并比较S-Detect、超声医师、联合诊断与病理诊断结果的ROC曲线下面积及一致性。结果:453位女性患者,共581个病灶,病理诊断良性病灶411个,恶性病灶170个。S-Detect诊断导管内乳头状瘤及4 cm>病灶≥2 cm的良性病灶误诊率较高,且有统计学差异。S-Detect诊断的特异性较高(>80.00%)。S-Detect在患者年龄、乳腺包块所在象限及乳腺包块所在深度分组中敏感性、特异性在组内均无统计学差异。病理Logistic回归得出3个有意义的危险因素(年龄、S-Detect、乳腺包块最大径),P<0.05。以病理结果为金标准,SDetect的诊断结果 ROC曲线下面积为0.78,Kappa=0.45,超声医师的诊断结果ROC曲线下面积为0.78,Kappa=0.57,超声医师联合S-Detect(初次联合诊断)的诊断结果 ROC曲线下面积为0.84,Kappa=0.65,超声医师联合S-Detect并参考年龄、最大径及S-Detect的影响因素(再次联合诊断)的诊断结果 ROC曲线下面积为0.89,Kappa=0.76,P<0.05。结论:S-Detect诊断的特异性较高,诊断浸润性导管癌的符合率较高,诊断导管内乳头状瘤符合率较低,4 cm>病灶≥2 cm的良性病灶漏诊率较高。S-Detect应用于乳腺包块的诊断可以提高超声医师诊断的诊断价值及与病理诊断的一致性。     

常规超声与S-Detect技术在乳腺病灶良恶性鉴别诊断中的效能比较

目的探讨常规超声与S-Detect技术在乳腺病灶良恶性鉴别诊断中的效能比较。 方法选取2018年6月至7月在中国医科大学附属第一医院经手术病理证实的367例乳腺病灶患者，共468个病灶。所有病灶分别由3名不同年资（1、4、7年）乳腺超声医师进行二维超声成像（静态图像及动态图像）的两次乳腺超声影像报告与数据系统（BI-RADS）分类以及计算机S-Detect分类，通过绘制不同BI-RADS分类诊断组的ROC曲线，确定最佳诊断界值，以进行各组BI-RADS分类的良恶性统计，以病理结果为"金标准"，应用诊断试验四格表分别计算不同BI-RADS分类诊断组及S-Detect分类组对乳腺病灶良恶性诊断的敏感度、特异度、准确性、阳性预测值及阴性预测值，采用χ²检验分别将各BI-RADS分类组诊断效能与S-Detect分类组进行比较。绘制各组的ROC曲线，应用Z检验分别将各BI-RADS分类组ROC曲线下面积与S-Detect分类组进行比较。 结果468个乳腺病灶术后病理诊断良性313个，恶性155个。通过绘制不同BI-RADS分类诊断组的ROC曲线，确定最佳诊断界值为BI-RADS 4a类。S-Detect分类诊断敏感度93.5%明显高于低年资医师静态图像BI-RADS分类诊断69.0%及低年资医师动态录像BI-RADS分类诊断72.3%，差异有统计学意义（χ²=30.627、24.785，P均<0.001），S-Detect分类诊断特异度83.7%，明显低于中年资医师动态图像BI-RADS分类诊断92.0%，差异有统计学意义（χ²=10.124，P=0.001），其余各诊断效能差异均无统计学意义（P均>0.05）。S-Detect分类诊断曲线下面积0.917高于低年资医师两次（静态图像及动态图像）BI-RADS分类0.790、0.803，差异均有统计学意义（Z=5.271、4.693，P均<0.0001）；S-Detect分类诊断曲线下面积与中年资医师静态BI-RADS分类0.917比较，差异无统计学意义（P>0.05），低于中年资医师动态BI-RADS分类0.941，差异有统计学意义（Z=4.327，P<0.0001）；S-Detect分类诊断曲线下面积均低于高年资医师两次BI-RADS分类0.946、0.959，差异均有统计学意义（Z=4.225、5.477，P均<0.0001）。 结论S-Detect分类技术可以达到中年资医师静态图像BI-RADS分类的诊断水平，但低于其动态图像的诊断水平。     

S-Detect超声检查对乳腺病灶诊断价值的探索性研究

目的探讨S-Detectd的诊断效能及其临床应用价值。 方法选取2019年4月至7月于北京大学肿瘤医院乳腺中心超声室接受超声诊断及S-Detect检查的患者378例,共计390个病灶进行回顾性分析。以组织病理诊断为金标准,应用诊断试验四格表分别计算超声医师及S-Detect对乳腺病灶良恶性诊断的敏感度、特异度、准确性、阳性预测值及阴性预测值,采用Kappa检验对S-Detect及超声医师与病理诊断结果的一致性进行分析;对S-Detect判断不确定的病灶进行假设判定,假设判定均为恶性为S-Detect 1、均为良性为S-Detect 2,并分别计算S-Detect 1与S-Detect2的诊断敏感度、特异度、准确性、阳性预测值及阴性预测值。 结果病理结果提示,378例患者共计390个病灶中恶性病灶260个,良性病灶130个。S-Detect的诊断敏感度、特异度、阳性预测值、阴性预测值与准确性分别为94.6%、56.2%、81.2%、83.9%、81.8%。超声医师的诊断敏感度、特异度、阳性预测值、阴性预测值与准确性分别为100.0%、9.2%、71.0%、100.0%、69.7%。Kappa分析结果显示：S-Detect与病理诊断结果的一致性较超声医师与病理诊断结果的一致性好（Kappa值：0.553 vs 0.119,P<0.05）。将S-Detect判断不确定的69个病灶进行假设判定,结果显示,S-Detect 1的诊断敏感度、特异度、阳性预测值、阴性预测值和准确性分别为94.6%、56.2%、81.2%、83.9%、81.8%;S-Detect 2的诊断敏感度、特异度、阳性预测值、阴性预测值和准确性分别为79.6%、79.2%、88.5%、66.0%、79.5%。 结论S-Detect技术对乳腺病灶具有一定的诊断价值,尤其对于良性病灶的诊断符合率优于超声医师,但在临床应用中仍存在部分病灶判断不明确等局限性,如何在临床中更加恰当地结合使用S-Detect还需要更深入的数据研究加以证实。     

人工智能在甲状腺结节良恶性中的诊断价值

目的探讨超声S-Detect技术在甲状腺结节良恶性中的诊断价值。方法由3名超声医师对98例患者共136个甲状腺结节的超声图像进行良恶性评估后与S-Detect技术判别结果进行对比。以病理学结果或ATA指南为诊断标准进行对照,分析不同年资医师及S-Detect技术的诊断效能和评价者之间的一致性。结果 136个甲状腺结节中良性病变81个,恶性病变55个。S-Detect技术诊断灵敏度高于低、中年资医师(P0.05),特异度低于不同年资医师(P0.05),S-Detect诊断准确度为65.44%。S-Detect与高年资医师的诊断一致性中等(Kappa=0.439,P0.05)。与S-Detect联合诊断可明显提高超声医师的诊断效能(P0.05)。结论 S-Detect技术在甲状腺结节良恶性诊断中的灵敏度较高。与S-Detect技术联合诊断可明显提高超声医师的诊断效能,具有很好的临床应用前景。S-Detect技术与高年资医师诊断一致性相对较好,未来有助于超声图像的标准化判读。     

超声造影联合BI-RADS分类系统鉴别诊断乳腺结节良恶性的效能分析

目的：探讨超声造影（contrast-enhanced ultrasound,CEUS）联合常规超声乳腺影像报告和数据系统（breast imaging reporting and datasystem,BI-RADS）鉴别诊断乳腺结节良恶性的效能。方法：选取2021年5月—2022年9月贵州医科大学附属医院收治的90例乳腺结节患者,所有患者术前均接受常规超声和CEUS检查,以病理结果为金标准,分析CEUS联合BI-RADS分类系统对乳腺结节良恶性的诊断效能。结果：90例乳腺结节患者病理诊断包括良性32例,占比35.56%;恶性58例,占比64.44%;常规超声BI-RADS分类共准确检测出良性17例,恶性50例;CEUS联合BI-RADS分类共准确检测出良性25例,恶性55例;CEUS联合BI-RADS分类评估乳腺癌良恶性准确率88.89%、灵敏度94.83%、特异度78.13%,与病理结果一致性Kappa值为0.751,一致性较好;常规超声BI-RADS分类评估乳腺癌良恶性准确率74.44%、灵敏度86.21%、特异度53.13%,与病理结果一致性Kappa值为0.141,一致性一...     

常规超声联合S-Detect技术对乳腺病灶的诊断价值

目的旨在比较常规超声BI-RADS分类联合S-Detect技术前后的诊断价值。方法选择435例患者行常规超声及S-Detect技术检查并留图像,由低、中、高年资医师分别阅读图像并进行BI-RADS分类评估。通过两种不同的联合诊断方法对BI-RADS分类进行调整及重新评估。以病理结果作为金标准。通过卡方检验及绘制ROC曲线比较联合诊断前后差异。结果 435例患者共563个病灶(良性403个,恶性160个)。S-Detect诊断灵敏度显著高于低年资医师(P0.001),与中年资、高年资医师比较均无显著差异。S-Detect特异度显著低于三名医师(P均0.001)。S-Detect与低年资医师比较AUC无统计学差异,但显著低于中年资及高年资医师(P均0.000 1)。高年资医师通过联合方法二较原分类诊断乳腺恶性病灶的AUC显著增大;中年资医师联合诊断前后AUC均无差异;低年资医师通过联合方法一较原分类诊断AUC显著性增大。结论 S-Detect技术具有较高的灵敏度,通过不同方式的应用调整BI-RADS分类,S-Detect可以提高低年资及高年资医师的诊断水平。     

超声S-Detect技术对甲状腺TI-RADS 4类结节良恶性的诊断价值

目的探讨超声S-Detect技术对甲状腺TI-RADS 4类结节良恶性的诊断价值。方法取经常规超声诊断为甲状腺TI-RADS 4类结节患者140例(共152个结节),均行超声S-Detect技术检查,以病理结果为金标准,评价超声S-Detect技术、TI-RADS分类及两者联合应用时诊断甲状腺TI-RADS 4类结节良恶性的价值。结果 152个甲状腺结节经病理证实,恶性结节92个,良性结节60个。超声S-Detect技术对TI-RADS 4a类结节的灵敏度40.00%、特异度为90.00%、准确度为81.67%;对TI-RADS 4b类结节的灵敏度为91.11%、特异度为57.14%、准确度86.54%;TI-RADS 4c类结节的灵敏度为94.59%、特异度为66.67%、准确度为92.50%。超声S-Detect技术联合TI-RADS分类诊断甲状腺TI-RADS 4类结节的灵敏度、特异度、准确度分别为93.48%、90.00%、92.11%,明显高于TI-RADS分类及S-Detect技术单独运用时的结果(P0.05)。结论超声S-Detect技术对判断甲状腺TI-RADS 4类结节良恶性有较高的临床价值,超声S-Detect技术联合TI-RADS分类明显提高了鉴别甲状腺结节良恶性的诊断效能。     

人工智能自动检测系统对不同经验医师诊断乳腺小肿块的辅助作用

目的初步探讨人工智能自动检测系统对乳腺小肿块的诊断效能以及对不同经验医师的辅助作用。 方法选取中国科学院大学宁波华美医院164个经病理证实的最大直径≤10 mm的乳腺小肿块,由4名不同经验的医师（医师A和医师B归为高年资医师组,医师C和医师D归为低年资医师组）先独立诊断,给出相应的乳腺影像报告与数据系统（BI-RADS）分类,结果设为A1组、B1组、C1组和D1组。4周后,4名医师再次联合应用人工智能自动检测系统诊断,结果设为A2组、B2组、C2组和D2组。人工智能自动检测系统诊断结果设为M组。以病理结果为金标准,计算不同组医师诊断的敏感度、特异度、准确性、阴性预测值和阳性预测值,绘制受试者操作特征曲线。采用Kappa检验比较不同组观察者间的一致性。 结果病理结果显示,164个乳腺肿块中良性117个（71.34%）,恶性47个（28.66%）。人工智能自动检测系统对乳腺小肿块有良好的诊断效能,敏感度、特异度、准确性分别为91.49%、90.6%、90.85%。联合应用人工智能自动检测系统后高年资医师的诊断效能有上升趋势,敏感度、特异度分别为A1组82.98%、82.05%;A2组87.23%、89.74%;B1组80.85%、84.62%;B2组85.11%、89.74%。低年资医师在人工智能自动检测系统的辅助下诊断效能明显提高,敏感度、特异度分别为C1组76.60%、74.36%;C2组82.98%、82.05%;D1组68.09%、73.50%;D2组80.85%、80.34%。此外低年资医师借助人工智能自动检测系统对乳腺小肿块BI-RADS分类的观察者间一致性明显提高,低年资医师间的Kappa值由0.236提高到0.549,低年资医师与高年资医师的Kappa值由0.268~0.284提高到0.432~0.540。 结论人工智能自动检测系统对乳腺小肿块良恶性的判断具有较高的诊断效能,其对不同经验医师的辅助作用不同,对低年资医师的影响大于高年资医师。人工智能自动检测系统有助于提高低年资医师BI-RADS分类观察者间的一致性。     

不同人工智能技术对乳腺BI-RADS 4类结节的诊断价值比较

目的 探讨医准智能软件与超声S-Detect技术对乳腺影像报告和数据系统(BI-RADS)4类结节良恶性的诊断价值。方法 回顾性分析就诊的462例经常规超声诊断为BI-RADS 4类乳腺结节的患者(495个结节)。患者治疗前均行超声S-Detect技术、医准智能软件检查,以病理结果为金标准,比较超声S-Detect技术、医准智能软件对BI-RADS 4类乳腺结节的诊断效能。结果 495个结节经病理证实恶性结节227个、良性结节268个。S-Detect技术诊断乳腺良恶性结节的灵敏度(SE)、特异度(SP)、准确度(ACC)、阳性预测值(PPV)、阴性预测值(NPV)和AUC分别为87.66%、83.21%、85.25%、81.56%、88.84%和0.854,医准智能软件诊断乳腺良恶性结节的SE、SP、ACC、PPV、NPV和AUC分别为95.59%、91.79%、93.54%、90.79%、96.09%和0.937,且SE、SP、ACC、PPV、NPV、AUC与S-Detect技术比较差异均有统计学意义(P<0.05)。结论 医准智能软件对乳腺BI-RADS 4类结节良恶性具有...     

简化MRI联合超声S-Detect模型对乳腺肿块良恶性鉴别的价值

目的  探究简化MRI联合超声S-Detect模型对乳腺肿块良恶性鉴别的价值。方法  选取华北理工大学附属唐山市妇幼保健院2021年3月~2023年1月行乳腺超声和MRI检查的154例患者（159个病灶）作为研究对象。以病理活检结果为金标准。简化MRI Ⅰ为乳腺影像报告和数据系统（BI-RADS）分类模型;简化MRI Ⅱ将BI-RADS分类4A及以下定义为良性,将BI-RADS分类4B及以上定义为恶性。采用Kappa检验分析不同方法鉴别乳腺肿块良恶性结果与病理结果的一致性;采用Logistic回归构建简化MRI Ⅰ和超声S-Detect+简化MRI Ⅰ鉴别乳腺肿块良恶性的模型;采用ROC曲线和决策曲线分析评价不同方法鉴别乳腺肿块良恶性的价值。结果  病理结果显示,乳腺肿块中良性43例,恶性116例。超声S-Detect+简化MRI Ⅰ鉴别乳腺肿块良恶性的准确率高于超声S-Detect（P < 0.05）,与简化MRI Ⅰ、简化MRI Ⅱ和超声S-Detect+简化MRI Ⅱ的准确率差异无统计学意义（P > 0.05）。超声S-Detect+简化MRI Ⅰ的Kappa值高于超声S-Detect、简化MRI Ⅰ、简化MRI Ⅱ和超声S-Detect+简化MRI Ⅱ。超声S-Detect+简化MRI Ⅰ鉴别乳腺肿块良恶性的ROC曲线下面积高于超声S-Detect、简化MRI Ⅰ、简化MRI Ⅱ和超声S-Detect+简化MRI Ⅱ（P < 0.05）。决策曲线分析结果显示,在全风险阈值范围内,超声S-Detect+简化MRI Ⅰ鉴别乳腺肿块良恶性的净收益高于超声S-Detect和简化MRI Ⅱ;在绝大部分风险阈值范围内,超声S-Detect+简化MRI Ⅰ鉴别乳腺肿块良恶性的净收益高于简化MRI Ⅰ和超声S-Detect+简化MRI Ⅱ。结论  简化MRI联合超声S-Detect模型有助于乳腺肿块良恶性鉴别,其价值高于单纯简化MRI和超声S-Detect。     

多模态超声联合人工智能S-Detect技术校正BI-RADS分类对乳腺肿块的诊断价值

目的探讨多模态超声联合人工智能S-Detect技术校正乳腺影像报告与数据系统（BI-RADS）分类对诊断乳腺肿块良恶性的价值。 方法本研究首先采用常规超声、超微血流成像技术及应变弹性成像技术,将2021年7月至12月安徽医科大学第二附属医院收集的连续130例乳腺肿块病例作为训练集进行超声检查,超微血流成像及弹性成像结果分别以血管指数（VI）、弹性应变率（SR）值表示,以病理结果为金标准得出良恶性肿块VI值、SR值的截断值;然后以2022年1月至5月连续110例乳腺肿块作为验证集联合人工智能S-Detect技术,采用常规超声进行BI-RADS分级诊断,再以超微血管成像技术、应变弹性成像技术及S-Detect技术评估结果校正BI-RADS分级,以病理结果为金标准绘制受试者操作特征（ROC）曲线,采用Z检验比较不同诊断方法（常规超声+S-Detect+VI值+ SR值联合诊断以及各方法独立诊断）ROC曲线下面积的差异,计算不同诊断方法的敏感度、特异度、准确性、阳性预测值和阴性预测值。 结果训练集130例乳腺肿块中恶性70例、良性60例,VI值及SR值良恶性截断值分别为4.05、2.59。验证集110例乳腺肿块中恶性63例、良性47例,常规超声、S-Detect、VI值、SR值及四者联合诊断乳腺肿块良恶性的ROC曲线下面积分别为0.936、0.588、0.827、0.802、0.785,联合诊断的效能优于单独应用各独立模块,差异具有统计学意义（Z=6.074,P＜0.001;Z=2.668,P=0.008;Z=3.084,P=0.002;Z=3.293,P=0.001）,联合诊断的敏感度为98.4%、特异度为87.2%、准确性为93.6%、阳性预测值为91.2%、阴性预测值为97.6%。根据2013版美国放射学会BI-RADS≥4类肿块应行穿刺活检,穿刺活检率由87.3%（96/110）降至61.8%（68/110）,并校正4例被错判为良性的恶性病例（非特殊类型的浸润性乳腺癌3例,导管内原位癌1例）,校正32例错判为恶性的良性病例（腺病17例、腺病伴纤维腺瘤14例、叶状肿瘤1例）。 结论多模态超声联合人工智能S-Detect技术校正BI-RADS分类可提升乳腺肿块良恶性的诊断效能,减少不必要的穿刺活检、提高乳腺恶性肿块的检出率。     

超声弹性成像联合声触诊组织成像量化技术在BI-RADS 4类乳腺肿块诊断价值的比较

摘 要 目的 探讨超声弹性成像联合声触诊组织成像量化技术（VTQ）对BI-RADS 4类乳腺肿块的诊断价值。方法 选取我院经病理确诊的乳腺肿块患者95例（共97个病灶）,所有病例均先行二维超声诊断为BI-RADS 4类,再行弹性成像和VTQ检查,以病理结果为金标准,绘制二维超声、弹性成像联合VTQ检查诊断乳腺肿块的受试者工作特征曲线并比较其诊断效能;比较弹性成像联合VTQ技术与二维超声对乳腺肿块BI-RADS分类诊断结果的差异。结果 二维超声的诊断敏感性、特异性、准确率、阳性预测值、阴性预测值及AUC分别为87.8%、53.57%、41.38%、58.06%、85.71%及0.703,弹性成像联合VTQ技术调整后BI-RADS分类诊断的敏感性、特异性、准确率、阳性预测值、阴性预测值及AUC分别为95.12%、83.93%、79.05%、81.25%、95.92%及0.895,AUC比较差异有统计学意义（Z=2.26,P＜0.05）。结论 弹性成像联合VTQ技术可提高对BI-RADS 4类乳腺肿块的诊断价值。     

S-DetectTM分类技术诊断BI-RADS 4类乳腺肿块

目的 观察S-Detect^TM分类技术鉴别诊断BI-RADS 4类乳腺良恶性肿块的价值。方法 对94例经二维超声诊断为BI-RADS 4类乳腺肿块患者（共104个肿块）行S-Detect^TM分类技术检查，以手术或穿刺活检病理结果作为金标准，评价S-Detect^TM分类技术、BI-RADS分类及二者联合应用诊断乳腺BI-RADS 4类良恶性肿块的价值。结果 104个乳腺肿块，经病理确诊为良性41个、恶性63个。S-Detect^TM分类技术诊断乳腺BI-RADS 4a类乳腺肿块的敏感度（SE）66.67%，特异度（SP）89.29%、阳性预测值（PPV）57.14%、阴性预测值（NPV）92.59%；对乳腺BI-RADS 4b类肿块分别为90.91%、60.00%、88.24%及66.67%；对乳腺BI-RADS 4c类肿块分别为95.83%、66.67%、95.83%及66.67%。S-Detect^TM分类技术联合BI-RADS分类诊断乳腺肿块的SE、SP、准确率明显均高于单独运用（P均<0.05）。结论 S-Detect^TM分类技术判断乳腺BI-RADS 4a类良性肿块、BI-RADS 4b类及BI-RADS 4c类恶性肿块均有较高价值。S-Detect^TM分类技术联合BI-RADS分类可明显提高鉴别BI-RADS 4类乳腺良恶性肿块的效能。     

剪切波弹性成像定性技术鉴别诊断乳腺良恶性病变

目的 探讨SWE定性技术在乳腺病灶良恶性鉴别诊断中的应用价值。方法 对236例患者共261个病灶行常规超声及SWE检查。以常规超声图像进行乳腺影像报告和数据系统（BI-RADS）分类,将SWE图像分为6种类型。以病理结果为金标准,绘制ROC曲线,评价SWE分型、BI-RADS分类及二者联合的诊断效能。结果 良性病灶100个,恶性病灶161个。以SWE分型3型为诊断界点,敏感度、特异度、准确率、阳性预测值、阴性预测值分别为85.71%（138/161）、93.00%（93/100）、88.51%（231/261）、95.17%（138/145）、80.17%（93/116）;以BI-RADS 4a类为诊断界点,敏感度、特异度、准确率、阳性预测值、阴性预测值分别为98.76%（159/161）、73.00%（73/100）、88.89%（232/261）、85.48%（159/186）、97.33%（73/75）;二者联合诊断的敏感度、特异度、准确率、阳性预测值、阴性预测值分别为99.38%（160/161）、70.00%（70/100）、88.12%（230/261）、84.21%（160/190）、98.59%（70/71）。SWE分型的特异度和阳性预测值均高于BI-RADS分类及联合诊断（P均<0.05）,BI-RADS分类及联合诊断的敏感度和阴性预测值均高于SWE分型（P均<0.05）,三者诊断准确率差异均无统计学意义（P均>0.05）。结论 SWE定性技术有助于乳腺良恶性病灶的鉴别诊断。     

超声S-DetectTM技术在鉴别乳腺良恶性肿块中的应用分析

目的讨论S-Detect^TM技术在鉴别乳腺肿块性质中的作用,以及分析S-Detect^TM技术不同切面在诊断中的差异。方法分析于我院行常规超声检查、S-Detect^TM技术检查并手术取得病理结果的102例乳腺肿块,以病理结果为金标准,首先应用Kappa一致性检验评价S-Detect^TM技术与病理结果的一致性程度。再分别探讨S-Detect^TM技术两种切面(最大长轴切面及其垂直切面)诊断乳腺肿块性质的效能差别。结果病理结果示:102例肿块中,恶性肿块37例,良性肿块65例。S-Detect^TM技术诊断结果与病理结果比较的Kappa值为0.757。进一步分析,得出S-Detect^TM技术最大长轴切面的诊断效能大于其垂直切面。结论 S-Detect^TM技术是一种新型的、快速的辅助检查手段,其优点是操作简单、界面清晰,可以帮助超声医师对乳腺肿块做出更为准确的诊断。