人工智能辅助床旁超声诊断肾创伤的基础研究

目的探讨基于卷积神经网络（CNN）构建的人工智能辅助诊断模型对肾钝性创伤超声诊断的应用价值。 方法建立不同程度动物肾创伤模型,通过床旁超声仪采集正常肾及创伤肾超声图片,分成训练集及测试集,根据造模位置和超声造影结果,手动勾画出肾轮廓,采用3折交叉验证进行分类训练及测试。绘制受试者工作特征（ROC）曲线,计算人工智能辅助诊断模型的敏感度、特异度、准确性和曲线下面积（AUC）。 结果采集正常肾图片共1737张,各级别创伤肾图片共2125张,经过对测试集的验证,该模型可自动对肾创伤有无进行分类,对肾创伤诊断的平均敏感度为73%、平均特异度为85%、平均准确性为79%、AUC为0.80,诊断价值较高。 结论基于CNN构建的深度学习模型辅助床旁超声仪在诊断肾创伤有无分类中取得了较满意的结果。     

基于增强CT的放射组学模型用于鉴别肾透明细胞癌与非透明细胞癌

【】目的：建立放射组学在肾癌增强CT图像的应用模型,并评估模型鉴别肾透明细胞癌与非透明细胞癌的准确性。方法：回顾性分析100例经病理证实的增强CT肾癌病例,其中肾透明细胞癌81例,非透明细胞癌19例;使用ITK-SNAP图像分割软件对增强CT图像的所有病灶动脉期进行感兴趣区(ROI)勾画并融合成为感兴趣区容积(VOI);本次研究应用A.K软件(Artificial Intelligence Kit,GE医疗,美国)一共获得了396个组学特征,对样本的两个分组分别按照7：3的比例随机分为训练集和测试集,使用单因素方差分析+秩和检验、一般线性模型、前10% mutual information 进行特征降维,最终筛选出了8个特征,建立了两个相关特征的模型,所有模型均在训练集和测试集分别进行ROC曲线分析。结果：基于增强CT病灶动脉期筛选的8个特征建立了两个组学模型,分别是随机森林(Random Forest, RF)模型和逻辑回归(Logistic)模型。RF在训练集的AUC为0.988,敏感性为0.93,特异性为,1,精确度为1;在测试集AUC为0.972,敏感性为0.875,特异性为1,精确度为1。逻辑回归模型在训练集AUC为0.865,敏感性为0.667,特异性为0.923,精确度为0.974;在测试集AUC为0.868,敏感性为0.75,特异性为1,精确度为1。结论：与Logistic模型相比, RF模型在鉴别肾透明细胞癌与非透明细胞癌具有更高的准确度。     

基于超声图像FPN-SENet-FL深度卷积神经网络模型鉴别乳腺良、恶性肿瘤及预测乳腺癌分子分型

目的 探讨FPN-SENet-FL深度卷积神经网络模型基于超声图像鉴别乳腺良、恶性肿瘤及预测乳腺癌分子分型的可行性。方法 回顾性分析273例乳腺癌480幅及41例乳腺良性肿瘤113幅术前超声图像,以之构建数据集,并以7 ∶ 3比例随机纳入训练集或验证集。对训练集数据进行扩增,以训练二分类及五分类任务模型,评估二分类任务模型鉴别乳腺良、恶性肿瘤,以及五分类任务模型鉴别乳腺良性肿瘤与4种不同分子分型乳腺癌的效能;绘制受试者工作特征曲线,计算曲线下面积(AUC)、混淆矩阵及完成各项任务的准确率、精确率、召回率及F1分数。结果 二分类任务模型的准确率、精确率、召回率及F1分数分别为94.71%、91.32%、91.30%和0.913,其AUC为0.976;五分类任务模型分别为71.78%、72.48%、72.11%及0.721,AUC取值范围为0.860~0.976,其识别良性肿瘤的AUC最高(0.976),其次为识别Luminal B型乳腺癌时(0.944)。结论 FPN-SENet-FL深度卷积神经网络模型可辅助超声鉴别乳腺良、恶性肿瘤,且预测Luminal B型乳腺癌效能较佳。     

基于皮肤镜图像智能分析的早期蕈样肉芽肿诊断模型构建

  目的  比较基于皮肤镜图像的卷积神经网络(convolutional neural network, CNN)二分类模型在蕈样肉芽肿(mycosis fungoides, MF)与炎症性疾病鉴别诊断中的应用价值。  方法  回顾性纳入2016年1月至2020年12月北京协和医院皮肤科门诊确诊的早期MF患者和临床表现与之相似的炎症性皮肤病患者,并按4∶1的比例随机分为训练集和测试集。使用训练集患者的皮肤镜图像对6种经典网络结构利用迁移学习进行训练,以构建CNN二分类模型。同时,在测试集中随机挑选每例患者1幅图像,并结合皮损的临床图像,由13名皮肤科医师对疾病归类进行判读。比较CNN二分类模型与皮肤科医师对测试集病例早期MF与炎症性疾病鉴别诊断的性能,结果以曲线下面积(area under the curve, AUC)、灵敏度、特异度、Kappa值等表示,并采用受试者工作特征(receiver operating characteristic, ROC)曲线进行可视化分析。  结果  共纳入48例早期MF患者(皮肤镜图像402幅)和96例炎症性皮肤病患者(皮肤镜图像557幅),其中训练集117例(皮肤镜图像772幅),测试集27例(皮肤镜图像187幅)。测试集中,皮肤科医师鉴别诊断早期MF与炎症性皮肤病的灵敏度和特异度分别为70.19%(95% CI: 59.68%~80.70%)和94.74%(95% CI: 91.77%~97.71%),Kappa值为0.677(95% CI: 0.566~0.789)。按图像分类时,CNN二分类模型对早期MF与炎症性皮肤病鉴别诊断的AUC为0.87(95% CI: 0.84~0.89),灵敏度和特异度分别为75.02%(95% CI: 70.19%~79.85%)和82.02%(95% CI: 79.30%~84.87%),Kappa值为0.563(95% CI: 0.507~0.620);按病例分类时,CNN二分类模型对早期MF与炎症性皮肤病鉴别诊断的AUC为0.97(95% CI: 0.95~0.99),灵敏度和特异度分别为87.50%(95% CI: 78.55%~96.45%)和93.85%(95% CI: 88.93%~98.77%),Kappa值为0.920(95% CI: 0.884~0.954)。ROC曲线显示,按病例分类时网络结构为EfficientNet-B0的CNN二分类模型诊断早期MF的AUC为0.99,灵敏度和特异度分别为88.9%和100%,且13名皮肤科医师诊断的灵敏度和特异度均值对应点位于曲线右下方。  结论  基于皮肤镜图像智能分析的CNN二分类模型可实现对早期MF与炎症性皮肤病的精确分类,对二者的鉴别诊断能力优于皮肤科医师的平均水平。     

基于超声图像的迁移学习模型在 乳腺肿块良恶性鉴别诊断中的价值

目的 探讨基于超声图像的迁移学习模型在乳腺肿块良恶性鉴别诊断中的应用价值。方法 收集我院2018年5月至2021年3月经手术或穿刺活检病理证实的300例乳腺肿块患者共计582张超声图像作为超声数据集（训练集482张,测试集100张）。采用迁移学习方法对经过ImageNet数据集预训练的三种深度卷积神经网络模型（VGG-16,Inception-v3,ResNet-50）进行训练和测试。第一次迁移学习,三种模型分别对公共数据库CBIS-DDSM(Curated　Breast　Imaging　Subset　of　DDSM)数据集中的良恶性乳腺肿块X线图像进行识别学习,并对模型进行微调;第二次迁移学习,利用超声数据集中随机挑选的训练集超声图像对三种模型进行微调。分别比较三种模型使用不同次数迁移学习后对乳腺肿块良恶性诊断效能。结果 VGG-16、Inception-v3、ResNet-50三种模型经过迁移学习后所有评价指标均有提高,其中基于ResNet-50建立的模型对乳腺肿块良恶性鉴别具有更优的效果,准确率为88.0%,敏感性为82.7%、特异性为93.8%、AUC值为0.915。结论 基于超声图像的ResNet-50迁移学习模型在乳腺肿块良恶性鉴别诊断中具有较高的准确率,可为低年资医师精准诊断提供决策支持。     

基于深度学习提高经直肠超声诊断前列腺癌效能的研究

目的探索基于深度学习构建的前列腺癌经直肠超声图像分类网络模型对经直肠超声图像中前列腺组织良恶性分类的应用价值。方法收集2018年5月至2021年5月于暨南大学附属第一医院就诊的203例可疑前列腺癌患者(其中恶性89例, 良性114例)的1 462张包含明确病理结果的经直肠前列腺穿刺二维灰阶超声图像(其中恶性图片658张, 良性图片804张), 将其分为训练集、验证集和测试集, 应用训练与验证集训练得到辅助诊断网络模型, 再用测试集对网络模型与两位不同年资超声医师进行测试, 以病理诊断作为金标准, 评估三者的诊断效能。结果①网络模型分类的准确性为80.5%, 敏感性为66.7%, 特异性为91.9%, 阳性预测值为87.1%, ROC曲线下面积为0.922。②低年资医师与高年资医师判断准确性分别为57.5%、62.0%, 敏感性分别为51.5%、56.8%, 特异性分别为62.0%、66.3%, 阳性预测值分别为53.1%、58.1%。③对图像分类的准确性、敏感性、特异性、阳性预测值:网络模型>两位超声医师, 差异有统计学意义(均P<0.05);高年资医师>低年资医师,...     

乳腺肿块99Tcm-MIBI双时相断层显像与X线钼靶对照研究

目的：分析比较99Tcm-甲氧基异丁基异腈（MIBI）双时相断层显像与钼靶X线摄影法对乳腺肿块的临床诊断价值。方法：对93例女性乳腺肿块患者术前1周行99Tcm-MIBI双时相断层和X线钼靶摄影检查，以术后病理结果为金标准，判断以上2种方法在乳腺癌早期诊断中的灵敏性、特异性、准确性、阳性预测值及阴性预测值。结果：①99Tcm-MIBI乳腺双时相断层显像示：良性病变早期和延迟相T/NT比值为2.08±2.85和1.69±3.05，两者有显著性差异（P<0.05）；乳腺癌早期和延迟相T/NT比值为5.00±4.34和6.79±11.94，两者无显著性差异（P>0.05）。②99Tcm-MIBI乳腺肿块双时相断层显像诊断乳腺癌的敏感性为97.1%，特异性为94.8%，准确性为95.7%，阳性预测值为91.9%，阴性预测值为98.2%；X线钼靶诊断乳腺癌的敏感性为82.9%，特异性为70.7%，准确性为75.3%，阳性预测值为63.0%，阴性预测值为87.2%；2种方法对乳腺癌的诊断效能有显著性差异（P<0.05）。结论：99Tcm-MIBI双时相断层显像对乳腺癌的诊断效能优于X线钼靶摄影法。99Tcm-MIBI乳腺双时相断层显像是一种高灵敏性和特异性的乳腺癌检查方法，对鉴别乳腺良恶性病变有较高的临床价值。     

双模态超声深度学习预测模型诊断乳腺癌的应用

目的 采用基于乳腺超声灰阶图像和弹性图像的深度学习(DL)技术构建一个预测模型,并探讨该模型在乳腺病灶良恶性鉴别中的诊断效能。方法 回顾性收集2020年5月至2021年4月于临沂市人民医院乳腺外科接受手术治疗患者的乳腺病灶共1 000个,包括超声图像及相关临床病理资料,选择每个病灶最大切面的超声灰阶图像及弹性图像,按照7∶2∶1的比例随机将病灶分为训练集、验证集和测试集;应用训练集和验证集的病灶图像基于神经网络构建预测模型,应用测试集病灶图像检测模型的诊断效能;邀请四位超声医生分别阅读测试集病灶的超声图像,比较模型与不同年资医生之间的诊断效能。结果 DL预测模型对乳腺病灶诊断的受试者工作特征曲线(ROC)曲线下面积(AUC)值(0.907)高于所有医生,差异有统计学意义(P<0.05);高年资医生单独阅片诊断的平均AUC值(0.835)高于低年资医生(0.719),差异有统计学意义(P<0.05)。模型辅助低年资医生诊断测试集乳腺病灶平均AUC值为0.806,模型辅助高年资医生诊断测试集乳腺病灶平均AUC值为0.864,经过模型辅助阅片后,不同年资医生的诊断效能均有提升,对...     

基于CT影像的COVID-19智能辅助诊断方法

目的结合COVID-19患者肺部CT影像学特征,探讨深度学习技术在COVID-19辅助诊断上的价值。方法搜集武汉大学中南医院和华中科技大学同济医学院确诊为COVID-19患者的部分CT影像资料构建小样本COVID-19数据集,将VGG-16具有提取高层抽象特征部分与设计的全连接层共同构成初步的基于迁移学习的COVID-19智能辅助诊断模型,使用COVID-19训练集迭代训练诊断模型,不断优化全连接层网络参数,最后训练出一个基于VGG-16卷积神经网络迁移学习的COVID-19智能辅助诊断模型。结果在COVID-19测试集中早期、进展期和重症期3个类别的样本上,COVID-19智能辅助诊断模型测试的敏感度分别为0.95、0.93和0.96,F1 Score分别为0.98、0.95和0.92,综合的诊断准确率达到94.59%。结论小样本数据集上采用迁移学习技术训练的COVID-19辅助诊断模型具有较高的可靠性,在防控疫情的关键时期,能快速地为医生提供诊断的参考意见,提高医生的工作效率。      

基于超声图像形态定量特征构建乳腺癌风险列线图在线预测模型

【摘要】 目的 运用机器学习技术构建基于超声图像形态定量特征的乳腺癌风险在线预测模型。 方法 回顾性收集2019年1月至2020年10月于皖南医学院第一附属医院行超声检查的乳腺肿块患者1046例,按随机数字以7:3比例分为训练集732例,验证集314例。所有肿块均有明确的病理结果。对训练集和验证集肿块分别按病理结果分为良性组和恶性组,使用ImageJ图像分析软件提取肿块超声图像的形态学定量特征。应用单因素分析训练集的良性组和恶性组定量特征,并运用机器学习技术进行多因素分析,确定影响癌症风险的独立危险因素,构建列线图预测模型。最后,使用验证集数据对模型效能进行测试,建立ROC曲线和校准曲线分析评价模型的诊断效能,并设计开发在线应用程序。结果 训练集732例患者中,430例（58.7％）病理为恶性;验证集314例患者中,199例（63.4％）病理为恶性。单因素分析显示形态学定量指标Aspect ratio （AR）、Circularity（C）、Modified Feret Angle （MFA）、Solidity（S）以及患者年龄在良性组和恶性组差异有统计学意义（P<0.05）。多因素分析显示AR、Circularity和年龄是预测恶性的独立危险因素（P<0.05）。基于上述独立危险因素构建乳腺癌风险预测列线图模型,并以互联网在线应用程序的方式呈现,模型内部验证AUC为0.931,敏感性88.1%,特异性85.4%,外部验证AUC为0.901,敏感性84.2%,特异性85.8%;校准曲线显示模型校准度良好,预测风险与实际风险未出现明显偏离。 结论 使用机器学习技术构建的乳腺癌风险列线图预测模型具有良好的诊断效能,而以互联网在线应用程序的方式呈现模型使其更加具有可操作性和实用性,将有助于对患者进行个体化预测和治疗决策。     

基于跨模态注意力机制特征B型超声与弹性超声融合模块联合诊断乳腺良、恶性肿瘤

目的 设计跨模态注意力机制特征融合模块,观察其用于B型超声与弹性超声联合诊断乳腺良、恶性肿瘤的价值。方法 收集371例接受常规超声检查及超声弹性成像的女性乳腺肿瘤患者、共466处病灶;按3∶1∶1将466组病灶图像分为训练集(n=280)、验证集(n=93)及测试集(n=93)。采用卷积神经网络分支模型分别提取B型超声图像和弹性超声图像特征,之后以基于跨模态注意力机制的多模态特征融合网络进行特征融合,观察其诊断乳腺良、恶性肿瘤的价值。结果 改进后的DenseNet用于B型超声诊断乳腺良、恶性肿瘤的准确率为88.43%,敏感度为88.96%,特异度为87.31%,其效能略优于改进前。基于跨模态注意机制特征融合的B型超声与弹性超声联合诊断乳腺良、恶性肿瘤的准确率为94.23%,敏感度为95.11%,特异度为93.28%,效能优于决策加权融合模型、直接串联融合模型及单模态模型。结论 跨模态注意力机制特征融合模块可在一定程度上提高B型超声与弹性超声联合诊断乳腺良、恶性肿瘤的效能。     

基于SPECT全身骨扫描的YOLOv5x深度学习网络模型诊断良、恶性骨病灶

目的 基于SPECT全身骨扫描构建YOLOv5x深度学习网络模型,观察其诊断良、恶性骨病灶的价值。方法 纳入699例接受SPECT骨扫描患者共5 182处骨病变,包括恶性3 105处、良性2 077处。按8∶1∶1将1 121幅骨扫描图像分为训练集(n=897)、验证集(n=112)及测试集(n=112)。对训练集及验证集数据进行增强后输入YOLOv5x深度学习网络进行训练得到模型,基于测试集评估模型识别良、恶性骨灶的敏感度、特异度和准确率,及其诊断结果与金标准的一致性。结果 骨扫描YOLOv5x深度学习网络模型识别恶性骨病变的敏感度为95.75%、特异度为87.87%、准确率为91.60%,识别良性骨病灶分别为91.62%、94.38%及93.14%。模型识别骨扫描图像中骨病灶的曲线下面积(AUC)为0.98,识别恶性、良性骨病灶的AUC分别为0.97、0.98。模型诊断恶性及良性骨病灶的结果与金标准的一致性均好(Kappa=0.83、0.86,P均<0.05)。结论 基于SPECT全身骨扫描建立的YOLOv5x深度学习网络模型有助于诊断良、恶性骨病灶。     

高b值DWI诊断乳腺良恶性病变:Meta分析

目的 采用Meta分析评价高b值DWI诊断乳腺良恶性病变的价值。方法 检索PubMed、Embase、Cochrane Library、万方医学网、中国知网及维普数据库自建库至2019年10月发表的关于高b值DWI评估乳腺良恶性病变的中英文文献，对最终纳入文献进行质量评估及数据提取。采用Meta-Disc 1.4软件进行统计分析，检验各研究间异质性，绘制森林图及综合受试者工作特征（SROC）曲线，计算曲线下面积（AUC）。采用Stata 15.0软件进行发表偏倚检验。结果 最终纳入18篇文献。高b值DWI评估乳腺良恶性病变的合并敏感度为0.88，合并特异度为0.84，合并诊断比值比为51.97；SROC的AUC为0.94，Q指数为0.88。结论 高b值DWI诊断乳腺良恶性病变的敏感度和特异度均较高，可用于鉴别诊断乳腺良恶性病变。     

超声影像组学对BI-RADS 4a类不规则乳腺结节良恶性的鉴别价值

目的 探讨超声影像组学对BI-RADS 4a类不规则乳腺结节良恶性的鉴别价值,并结合影像组学、超声特征及临床独立危险因素特征建立列线图,评估其在减少不必要活检中的价值。方法 回顾性收集常规超声检查筛选出的BI-RADS 4a类不规则乳腺结节905例,随机分为训练队列（n=634）和验证队列（n=271）,比例为7∶3。共收集851个影像组学特征,以手术病理结果为金标准,通过Logistic回归模型构建影像组学模型,同时利用单因素逻辑分析及多因素逻辑分析结合影像组学特征、超声特征及临床独立危险因素建立影像组学模型,通过ROC曲线评估影像组学模型及列线图模型对超声BI-RADS 4a类形态不规则乳腺结节的诊断效能。结果 905例不规则乳腺结节中,恶性结节485个,良性结节420个;患者年龄22～83(50.05±11.13)岁,训练队列及验证队列的年龄、Rad-score值、肿块直径等结果差异无统计学意义（P>0.05）;训练队列影像组学模型AUC值为0.927(95%CI:0.900～0.950),验证队列影像组学模型AUC值为0.946(95%CI:0.908～0.976),该模...     

乳腺血供不对称性增加及邻近血管征鉴别诊断乳腺良恶性病变

目的 探讨乳腺血供不对称性增加及邻近血管征在鉴别乳腺良恶性病变中的价值。方法 回顾性分析经病理证实的102例乳腺病变患者的MR增强3D最大密度投影图像,比较乳腺血供不对称性增加、邻近血管征、上述两种征象均为阳性及其中任意一种征象为阳性在不同最大径病变及良恶性病变中的出现率;评价其鉴别乳腺良恶性病变的价值。结果 102例患者中,恶性病变58例,良性44例。乳腺血供不对称性增加及邻近血管征在恶性病变中的出现率高于良性病变,在最大径>2 cm病灶中的出现率高于最大径≤2 cm的病灶。以乳腺血供不对称性增加鉴别同侧乳腺良恶性病变的敏感度、特异度、阳性预测值(PPV)、阴性预测值(NPV)及ROC曲线下面积(AUC)分别为56.89%(33/58)、79.54%(35/44)、78.57%(33/42)、58.33%(35/60)及0.68;以邻近血管征诊断同侧乳腺恶性病变的上述指标分别为56.89%(33/58)、93.18%(41/44)、91.67%(33/36)、62.12%(41/66)及0.75;以上述两种征象均为阳性诊断恶性病变的敏感度、特异度、PPV、NPV及AUC分别为46.55%(27/58)、93.18%(41/44)、90.00%(27/30)、56.94%(41/72)及0.70;以其中任一征象阳性诊断恶性病变的敏感度、特异度、PPV、NPV及AUC分别为68.97%(40/58)、81.82%(36/44)、83.33%(40/48)、66.67%(36/54)及0.75。结论 乳腺血供不对称性增加及邻近血管征在鉴别乳腺良恶性病变中具有一定的参考价值。     

基于卷积神经网络的病理活检胃癌诊断模型

目的 基于深度学习技术,建立胃活检病理切片胃癌诊断模型,并对模型的性能进行评价。方法 回顾性收集2015年1月—2020年1月浙江省人民医院胃活检诊断为正常胃黏膜、慢性胃炎、高级别上皮内瘤变和胃腺癌患者的病理切片。以20倍率扫描为全视野数字图像(whole slide image, WSI),并按2∶2∶1的比例随机分为图块分类数据集、切片分类训练集与切片分类测试集。对图块分类数据集病变区域进行标注、图块截取后,按20∶1∶1的比例随机分为训练集、测试集、验证集。基于Efficientnet和ResNet网络结构构建卷积神经网络(convolutional neural network, CNN)图块级癌与非癌分类模型,并以图块分类准确率、受试者操作特征曲线下面积(area under the curve, AUC)评价该模型的性能。基于此模型拼接获取整张WSI的癌变热力图,提取热力图中切片级癌与非癌分类特征,对LightGBM算法进行训练,最终完成整张胃癌活检切片的诊断与识别,其识别结果以AUC、准确率、灵敏度、特异度进行评价。结果 共入选符合纳入和排除标准的胃良性疾病(正常胃黏膜、...     

平扫T2脂肪抑制序列图像纹理可提高诊断乳腺良恶性结节的准确率

目的探讨平扫T2脂肪抑制序列（FS T2WI）图像纹理分析鉴别诊断乳腺良恶性结节的价值。方法回顾性分析经手术病理证实的60例患者共61个乳腺结节FS T2WI图像。绘制纹理参数鉴别诊断良恶性乳腺结节的ROC曲线,并与病理结果进行对照。结果60例患者的61个乳腺结节,FS T2WI纹理参数灰度区域矩阵重点运行高灰度级判断乳腺结节良恶性的AUC值（0.701）最大且诊断准确率高,其诊断恶性乳腺结节的敏感度为65.52%（19/29）,特异度为71.88%(23/32),误判率为31.15%（19/61）。FS T2WI图像诊断乳腺恶性结节敏感度为71.43%（20/28）、特异度为63.64%（21/33）、误判率为32.79%（20/61）;两者联合应用敏感度为64.29%(18/28),特异度78.79%（26/33）,误判率为27.87%（15/61）,与单独T2比较,差异有统计学意义（χ2=72.255,P=0.000）。结论平扫FS T2WI序列结合纹理分析能够提高诊断乳腺良恶性结节的特异度,降低误判率,提高乳腺平扫诊断的准确度。      

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。     

钼靶联合hMAM、BRCA-1表达水平检测对乳腺癌的诊断价值

目的探讨钼靶联合乳腺癌人乳腺珠蛋白(hMAM)基因、乳腺癌易感基因-1(BRCA-1)表达水平对乳腺癌的诊断价值。方法选取2016年1月至2019年8月在该院就诊的乳腺癌患者150例纳入肿瘤组,另选取同期良性乳腺肿瘤患者100例纳入良性组。通过受试者工作特征(ROC)曲线分析单独及联合应用钼靶及hMAM、BRCA-1检测诊断乳腺癌的灵敏度、特异度、ROC曲线下面积(AUC)等。结果肿瘤组钼靶检测阳性率(68.7%)明显高于良性组(27.0%),差异有统计学意义(χ2=41.730,P<0.05)。肿瘤组hMAM表达水平明显高于良性组,BRCA-1表达水平明显低于良性组,差异有统计学意义(t=49.723、30.632,P<0.05)。钼靶及hMAM、BRCA-1联合检测诊断乳腺癌的灵敏度(78.7%)明显高于单独检测的灵敏度(68.7%、57.3%、60.7%),差异有统计学意义(P<0.05),还保持了较高的特异度(79.0%),联合检测的AUC(0.864)明显高于单独检测(0.792、0.753、0.642),差异有统计学意义(P<0.05)。结论钼靶检测及hMAM、BRCA-1表达水平检测可提高乳腺癌诊断的灵敏度,并保持较高的特异度,对乳腺癌诊断有重要的临床价值。