超声GI-RADS分类法在小儿卵巢肿块良恶性鉴别中的应用价值

目的 探讨超声妇科影像报告与数据系统(GI-RADS)分类法在小儿卵巢肿块良恶性鉴别中的应用价值.方法 回顾性分析经手术和病理证实的58例患儿的59个卵巢肿块的超声图像,并进行GI-RADS分类.采用Kappa系数分析不同年资医师分类结果的一致性.以病理结果为金标准,绘制受试者工作特征曲线(ROC)计算GI-RADS对...     

超声国际卵巢肿瘤研究组简单法则与妇科影像报告与数据系统分类诊断卵巢肿瘤的比较

目的 比较超声国际卵巢肿瘤研究组（IOTA）简单法则与妇科影像报告与数据系统（GI-RADS）诊断卵巢肿瘤的价值。方法 由高年资医师运用IOTA简单法则对463例卵巢肿瘤进行分类,将诊断为良性和恶性的卵巢肿瘤纳入研究。然后,由低年资和高年资医师在互不知道检查结果的情况下分别运用IOTA简单法则和GI-RADS分类进行诊断,定义低年资医师采用IOTA简单法则诊断为A1组,高年资医师采用IOTA简单法则诊断为B1组,低年资医师采用GI-RADS诊断为A2组,高年资医师采用GI-RADS诊断为B2组,比较两种方法的诊断效能。结果 463例病例中,高年资医师IOTA确认良性及恶性的卵巢肿瘤共411例（411/463,88.77%）,不能确定性质的52例（52/463,11.23%）。A2与B2组间、A1与A2组间特异度、阳性预测值和诊断正确率差异均有统计学意义（P均<0.05）,敏感度与阴性预测值差异无统计学意义（P均>0.05）。诊断效能各指标在A1与B1组间、B1与B2组间差异均无统计学意义（P均>0.05）。结论 IOTA简单法则和GI-RADS分类对卵巢良恶性肿瘤的诊断效能相当且均较高。IOTA简单法则不存在经验依赖性,但不适合全部卵巢肿瘤的评价。     

基于卷积神经网络模型对鉴别卵巢肿瘤良恶性的研究

目的 本研究旨在开发用于卵巢肿瘤良恶性超声图像自动诊断的卷积神经网络(CNN)模型，评估该模型与低年资超声医师单独及联合诊断卵巢肿瘤良恶性的效能。方法 选取336例行经阴道超声检查且有明确病理结果的卵巢肿瘤患者，评估CNN模型对卵巢肿瘤超声图像良恶性分类的效能。绘制受试者工作特征(ROC)曲线，对比低年资超声医师、CNN模型以及联合诊断3种方式的诊断效能。结果 低年资超声医师诊断卵巢良恶性肿瘤的特异度和阳性预测值(79.55%和76.77%)高于CNN模型，而准确度、灵敏度和阴性预测值(77.08%、74.38%和77.35%)显著低于CNN模型；二者联合诊断准确度、特异度、阳性预测值和阴性预测值(84.23%、87.50%、85.43%和83.24%)均显著高于任一种单独诊断方式，仅灵敏度(80.63%)略低于CNN模型。联合诊断的受试者工作特征曲线下面积(AUC)为0.84,显著高于单独诊断的低年资医师(AUC为0.77)及CNN模型(AUC为0.79)。结论 CNN模型可以有效鉴别卵巢肿瘤的良恶性，CNN模型和低年资医师诊断效能相近，二者联合诊断有助于提升低年资超声医师对卵巢肿瘤...     

比较超声妇科影像报告和数据系统分类与恶性风险指数4鉴别卵巢良恶性肿块的价值

目的 比较超声妇科影像报告和数据系统（GI-RADS）分类与恶性风险指数4（RMI 4）鉴别卵巢良恶性肿块的价值。方法 回顾性分析经病理证实的342例卵巢肿块患者的资料，以GI-RADS分类1~4a类为良性，4b~5类为恶性，RMI 4取450作为界值，判定良恶性肿块，并与病理结果对照，计算GI-RADS分类与RMI 4诊断卵巢良恶性肿瘤的效能。结果 GI-RADS分类与RMI 4鉴别诊断卵巢良恶性肿块的敏感度分别为70.71%（70/99）、53.54%（53/99），特异度分别为98.77%（240/243）、95.47%（232/243），阳性预测值分别为95.89%（70/73）、82.81%（53/64），准确率分别为90.64%（310/342）、83.33%（285/342），ROC曲线AUC分别为0.91、0.81，差异均有统计学意义（P均<0.05）。结论 超声GI-RADS分类鉴别卵巢良恶性肿块的价值优于RMI 4。     

原发性卵黄囊瘤CT表现

目的 探讨妇科超声影像报告和数据系统（GI-RADS）联合三维超声造影（3D-CEUS）鉴别诊断卵巢良恶性肿块的价值。方法 对102例卵巢肿块患者行二维超声及3D-CEUS检查,观察3D-CEUS灌注特征,并采用GI-RADS评估二维声像图表现。通过单因素χ²检验及多因素Logistic回归分析,获得卵巢恶性肿块的独立预测因子,构建GI-RADS与3D-CEUS联合评分系统。绘制ROC曲线,评价GI-RADS联合3D-CEUS与单纯应用GI-RADS诊断卵巢恶性肿块的效能,并进行比较。结果 单因素及多因素分析结果显示,卵巢恶性肿块的独立预测因子包括大乳头状突起物（≥ 7 mm）、分隔或囊壁厚度 ≥ 3 mm、有中心性血流、病灶实性成分 ≥ 50%,合并腹腔积液、高增强、造影剂分布不均匀以及血管密集、走行纡曲、杂乱。GI-RADS与3D-CEUS联合评分系统诊断卵巢恶性肿块的最佳临界值为4分,GI-RADS联合3D-CEUS的ROC曲线下面积大于单纯应用GI-RADS （0.969 vs 0.839,Z=1.64,P=0.029）,且敏感度、特异度、阳性预测值、阴性预测值及准确率均高于单纯应用GI-RADS （P均<0.001）。结论 与单纯应用GI-RADS相比,GI-RADS联合3D-CEUS可更有效地鉴别卵巢良恶性肿块。     

核极限学习机诊断乳腺良恶性肿块样病变

目的 采用核极限学习机（KELM）方法对乳腺良恶性肿块样病变进行分类,并评估其鉴别诊断效能。方法 对93例患者103个经术后病理或长期随访确诊的乳腺肿块样病变行MR检查。由1名低年资和1名高年资乳腺影像学诊断医师参照乳腺影像报告和数据系统（BI-RADS）第2版,选取12个MRI特征及临床特征,分别独立及采用KELM方法对乳腺病变进行良恶性分类,并计算诊断效能。结果 低年资和高年资医师使用KELM方法鉴别诊断乳腺良恶性病变的敏感度、特异度、准确率分别为0.88、0.89、0.91和0.93、0.91、0.92,AUC分别为0.84和0.89。低年资和高年资医师独立诊断的敏感度、特异度、准确率分别为0.91、0.74、0.86和0.90、0.85、0.92,AUC分别为0.83和0.90。结论 基于影像学特征及临床资料特征的KELM方法可辅助临床鉴别诊断乳腺肿块样良恶性病变,具有较理想的敏感度、特异度和准确率。     

不同医师应用IOTA LR2模型对卵巢肿瘤良恶性评价的一致性检验

目的:探讨不同医师应用IOTA LR2模型对卵巢肿瘤良恶性评价的一致性。方法:回顾性分析876例卵巢肿瘤的超声图像,由两名不同年资医师在无临床及病理资料的情况下应用IOTA LR2模型对超声图像进行评价,将评价结果与病理学检查结果比较,判断其诊断效能,对两名医师的评价结果采用Kappa检验,判断一致性是否良好。结果:876例卵巢肿瘤中,病理诊断良性肿瘤837例,恶性肿瘤39例。应用LR2标准两名医师诊断的灵敏度、特异度分别为76.9%、67.0%及71.8%、76.0%,受试者工作特征(receiver operating characteristic,ROC)曲线的曲线下面积分别为0.868±0.040、0.847±0.043。两名医师诊断结果一致性良好,Kappa值为0.659(P0.01)。结论:应用IOTA LR2模型对卵巢肿瘤良恶性具有较高的诊断价值,且不同医师应用诊断的一致性良好。     

超声妇科影像报告和数据系统分类与16层螺旋CT诊断良恶性卵巢肿瘤的价值

目的探讨超声妇科影像报告和数据系统（GI-RADS）分类与16层螺旋CT对良恶性卵巢肿瘤鉴别诊断价值。方法选取2015年1月~2019年8月在我院就诊的卵巢肿瘤患者85例为研究对象,分别进行超声及16层螺旋CT检查,采用GI-RADS系统评价超声声像图表现,并检测其癌胚抗原（CEA）水平。比较超声GI-RADS系统、16层螺旋CT联合CEA联合检查结果与病理学检查结果的一致性;以病理学检查结果为金标准,比较超声GI-RADS系统、16层螺旋CT联合CEA检查诊断鉴别良恶性卵巢肿瘤的灵敏度、特异度、阳性预测值、阴性预测值及诊断准确率,并采用ROC曲线分析超声GI-RADS系统、16层螺旋CT联合CEA检查对良恶性卵巢肿瘤的诊断鉴别价值。结果超声GI-RADS系统联合CEA检查结果与病理学检查结果的一致性（Kappa=0.791）大于16层螺旋CT联合CEA（Kappa=0.487）;超声GI-RADS系统、16层螺旋CT联合CEA联合检查诊断良恶性卵巢肿瘤的灵敏度、特异度、恶性预测值、良性预测值对比,差异无统计学意义（P>0.05）;超声GI-RADS系统联合CEA诊断良恶性卵巢肿瘤的准确率高于16层螺旋CT联合CEA（P < 0.05）;经ROC曲线分析得,超声GI-RADS系统联合CEA诊断良恶性卵巢肿瘤的AUC大于16层螺旋CT联合CEA（P < 0.05）。结论超声GI-RADS系统联合CEA检测对良恶性卵巢肿瘤具有较高的诊断价值,且诊断准确率较高。      

卵巢肿瘤患者行血清CA125、HE4检测联合超声GI-RADS分类鉴别的价值

目的:探讨妇科影像报告与数据系统(Gynecology Imaging Reporting and Data System,GI-RADS)结合人附睾蛋白4(human epididymis protein 4,HE4)和糖类抗原125 (carbohydrate antigen 125,CA125)在卵巢恶性肿瘤诊断中的应用价值。方法:纳入2016年2月—2018年2月疑患有附件肿块的患者114例。基于GI-RADS报告系统采用模式识别分析建立初步诊断,并在术前对每例患者的血清HE4和CA125浓度进行测定。将联合检查结果与最终病理学诊断结果进行比较。结果:GI-RADS报告系统结合HE4和CA125的灵敏度、特异度、阳性预测值和阴性预测值分别为95.9%、87.7%、85.5%和96.6%。结论:GI-RADS分类结合HE4和CA125水平在鉴别卵巢恶性肿瘤中表现良好,有助于增进超声诊断医师和临床医师之间的沟通,在指导临床决策和改善患者护理方面发挥着重要作用。     

卵巢-附件报告及数据系统、妇科影像报告与数据系统和简单法则风险预测模型鉴别诊断卵巢良、恶性肿瘤

目的 对比卵巢-附件报告及数据系统（O-RADS）、妇科影像报告与数据系统（GI-RADS）和简单法则风险预测模型（SRRisk）鉴别卵巢良、恶性肿瘤的价值。方法 回顾性分析622例经病理证实的卵巢肿瘤的超声声像图,并分别以O-RADS、GI-RADS及SRRisk进行分类。采用受试者工作特征（ROC）曲线观察各方法鉴别卵巢良、恶性肿瘤的效能,比较其曲线下面积（AUC）、敏感度、特异度及准确率差异。结果 622例中,454例良性、168例恶性（包含交界性）卵巢肿瘤。O-RADS、GI-RADS、SRRisk鉴别卵巢良、恶性肿瘤的AUC分别为0.94、0.93及0.93,敏感度分别为93.45%、91.67%及86.91%,特异度分别为88.33%、88.77%及89.87%,准确率分别为89.71%、89.55%及89.07%;其AUC、特异度、准确率相当（P均>0.05）,而O-RADS的敏感度（93.45%）高于SRRisk（86.91%,χ²=7.69,P<0.01）,GI-RADS的敏感度（91.67%）与O-RADS及SRRisk相当（χ²=0.80、3.50,P均>0.05）。结论 O-RADS、GI-RADS及SRRisk鉴别卵巢良、恶性肿瘤的效能均较高且彼此相当。     

超声GI-RADS分类在卵巢良恶性肿瘤鉴别中的应用

目的：分析超声GI-RADS分类在卵巢良恶性肿瘤鉴别中的应用价值。方法：选取2020年1月—2021年1月绵阳市中心医院收治的76例卵巢肿瘤患者,根据病理检查结果分为恶性组（n=16）与良性组（n=60）,统计超声特征与血流情况,分析超声GI-RADS分类方法。结果：结合超声GI-RADS分类结果,76例患者中恶性肿瘤14例,良性肿瘤62例。恶性组病灶单发、直径≥3 cm、低回声、基底宽所占比例均显著高于良性组（P <0.01）;恶性组卵巢动脉血流峰值速度高于良性组,阻力指数低于良性组,差异均有统计学意义（P <0.05）;良性组患者的PSV、EDV低于恶性组,PI、RI高于恶性组,差异均有统计学意义（P <0.05）;将病理检查作为金标准,超声GI-RADS诊断卵巢肿瘤良恶性灵敏度为87.50%,特异度为100.00%。结论：针对卵巢肿瘤良恶性鉴别,应用超声GI-RADS,其鉴别依据结合影像学特征与血流状况,具有理想的敏感性与特异性,可在临床提倡。     

基于计算机辅助诊断技术的超声图像处理软件对甲状腺结节诊断效能的初步研究

目的通过比较基于计算机辅助诊断技术（CAD）的甲状腺超声图像处理软件（安克侦）与超声医师对甲状腺结节进行甲状腺影像报告和数据系统（TI-RADS）评分的差别,初步探讨安克侦CAD软件在甲状腺结节良恶性鉴别诊断中的价值。 方法选取2015年5月至2016年10月就诊于中山大学附属肿瘤医院的194例甲状腺结节患者的病例资料。每个病例选取一个结节进行分析,所有结节均经手术或超声引导下细针穿刺活检（US-FNA）病理证实。由两位年资不同的超声医师评估结节图像,分别对结节的5个特征（成分、回声、形态、边缘、强回声）进行评分,得出总的TI-RADS评分并分类。安克侦CAD软件则通过自动分析结节图像,得出基于美国放射学会（ACR）标准的TI-RADS评分。 结果安克侦CAD软件的TI-RADS评分与高年资医师比较,差异无统计学意义（Z=0.964,P=0.335）,与低年资医师比较,差异具有统计学意义（Z=5.593,P<0.001）。以TR5为恶性诊断界值,安克侦CAD软件的诊断敏感度与高年资医师比较,差异无统计学意义（84.62% vs 86.54%,P=0.815）,且其略高于低年资医师,但差异无统计学意义（84.62% vs 73.08%,P=0.052）。安克侦CAD软件、低年资医师、高年资医师评分的诊断特异度分别为65.56%、87.78%、82.22%,安克侦CAD软件明显低于低年资和高年资医师（65.56% vs 87.78%,χ²=12.893,P<0.01;65.56% vs 82.22%,P=0.004）。CAD软件的ROC曲线下面积均低于高年资及低年资医师（0.735 vs 0.921,Z=4.537,P<0.0001;0.735 vs 0.898,Z=4.033,P=0.0001）。 结论安克侦CAD软件对甲状腺结节的诊断敏感度与高年资及低年资医师相比,并无显著差异,但诊断特异度及诊断准确性均低于高年资及低年资医师。其综合诊断效能仍需进一步深入研究。     

超声人工智能在甲状腺可疑结节良恶性鉴别诊断中的应用价值

目的 探讨超声人工智能(AI)辅助诊断系统在甲状腺可疑结节良恶性鉴别诊断中的应用价值。方法 回顾性分析按美国放射学会甲状腺影像报告与数据系统(ACR TI-RADS)分类3～5类的甲状腺结节289个。将不同年资医师和超声AI辅助诊断系统分为低年资组、高年资组和AI组,分别以TR4、TR5为诊断恶性截断值,比较各组的灵敏度、特异度、准确度、阳性预测值、阴性预测值和ROC曲线下面积(AUC)。结果 截断值TR4与TR5比较,低年资组、高年资组及AI组AUC分别为0.579 vs 0.752、0.684 vs 0.881、0.678 vs 0.856,差异有统计学意义(P<0.05)。以TR5为最佳截断值时,AI组对甲状腺结节诊断的灵敏度、特异度、准确度、阳性预测值、阴性预测值和AUC均高于低年资组(P<0.05),且与高年资组相仿(P>0.05)。结论 超声AI辅助诊断系统对甲状腺可疑结节的最佳诊断恶性截断值为TR5,其诊断效能高于低年资医师,与高年资医师相仿。     

AI超声辅助诊断系统在低年资医师诊断甲状腺结节良恶性中的应用

目的 探讨人工智能超声辅助诊断系统(AI超声系统)是否有助于提高低年资医师对于甲状腺结节良恶性的诊断能力及其在甲状腺癌筛查中的应用价值.方法 以在我院行甲状腺手术及病理检查的256例患者,共506个甲状腺结节作为研究对象,两名低年资医师与AI超声系统分别对术前甲状腺结节超声图像进行良恶性分类;之后两名低年资医师分别联合...     

超声GI-RADS分类法对卵巢良恶性肿瘤的诊断价值分析

目的：分析超声妇科影像报告与数据系统（GI-RADS）分类法对卵巢良恶性肿瘤的诊断价值。方法：选取2020年8月—2022年8月期间于内蒙古巴彦淖尔市医院妇科接受检查治疗的110例卵巢肿瘤患者的临床资料,根据术后病理学检查结果将患者分为良性组（72例）和恶性组（38例）。依次对患者进行腹部超声检查、经阴道彩超检查,分别记录患者超声检查声像图各种表现,再进行超声GI-RADS分类。结果：超声GI-RADS分类法诊断的灵敏度为92.11%(35/38),特异度为98.61%(71/72),准确率为96.36%(106/110),Kappa=0.919,与病理结果高度一致。在110例患者中经超声GI-RADS分类法判断为卵巢恶性肿瘤的患者共36例,卵巢良性肿瘤的患者共74例,检查后可见恶性组患者的不规则边界例数、低回声例数及直径3 cm以上的例数均显著多于良性组患者（P <0.01）;同时恶性组患者的血流峰值速度及血流阻力指数均显著高于良性组患者（P <0.01）。结论：应用超声GI-RADS分类法对卵巢良恶性肿瘤进行鉴别时能够有效识别患者超声图像特征及局部血流情况的差异,达到准...     

计算机辅助诊断系统对甲状腺结节的诊断价值研究

目的比较计算机辅助诊断（CAD）系统与多名超声医师对甲状腺结节的诊断效能，初步探讨CAD软件的诊断价值及分析甲状腺结节超声特征对CAD软件及超声医师诊断的影响。 方法选取2016年2月至2018年6月电子科技大学医学院附属四川省肿瘤医院医学影像信息（PACS）系统中甲状腺结节灰阶超声图像50张，采用CAD软件及111名超声医师同时对50张甲状腺结节图像进行诊断。以病理结果为"金标准"分别计算CAD软件，准确率最高的高年资医师、准确率最高的低年资医师鉴别诊断甲状腺结节的敏感度、特异度、阳性预测值、阴性预测值，并绘制受试者工作特征曲线（ROC曲线）；各组间准确率的比较采用McNemar检验，ROC曲线下面积的比较采用Z检验。 结果CAD软件、准确率最高的高年资医师、准确率最高的低年资医师诊断甲状腺结节良恶性的敏感度、特异度、阳性预测值、阴性预测值及准确性分别为76.9%、87.5%、86.9%、77.8%、82.0%；86.9%、77.8%、76.9%、87.5%、82.0%；82.6%、70.4%、70.4%、82.6%、76%；CAD软件与高年资医师诊断准确率相同且均高于低年资医师，差异有统计学意义；CAD软件与高年资医师ROC曲线下面积一致且均大于低年资医师，但差异均无统计学意义（P均>0.05）。医师误诊的病例主要为桥本甲状腺炎以及微小低回声病灶伴点状强回声的甲状腺结节，而分布位置以及结节内粗大钙化灶伴后方宽大声影造成了CAD软件的误诊。 结论CAD软件诊断甲状腺结节的准确率与高年资医师一致，高于低年资医师；甲状腺结节的分布位置以及结节内粗大钙化灶伴后方宽大声影可能是影响CAD软件诊断准确性的因素；而桥本甲状腺炎以及微小低回声病灶伴点状强回声可能会影响超声医师对甲状腺结节的正确诊断。     

妇科影像报告和数据系统鉴别附件肿块良恶性的应用价值

目的 探讨妇科影像报告和数据系统(GI-RADS)在附件肿块良恶性鉴别中的应用价值.方法 回顾性分析在我院经手术病理确诊的附件肿块患者180例,恶性39例,良性141例,根据附件肿块的超声特征对其进行GI-RADS分类,以病理结果为金标准,绘制受试者工作特征(ROC)曲线分析其诊断附件肿块良恶性的截断值及其诊断效能.结...     

人工智能系统评估BI-RADS 4类乳腺肿块的应用价值

目的探讨人工智能（AI）系统在乳腺影像报告与数据系统（BI-RADS）4类乳腺肿块良恶性鉴别诊断中的价值。 方法回顾性选取2018年1月至2020年2月于青岛市市立医院超声科初诊为BI-RADS 4类乳腺肿块的女性患者226例。所有患者均行常规超声检查,并经手术或穿刺活检取得病理结果。AI系统与不同年资乳腺超声专科医师（2、4、6年）分别对乳腺肿块超声图像进行分析并判断良恶性,应用四格表计算AI系统及不同年资医师对乳腺癌的诊断准确性,采用χ²检验比较AI系统与不同年资医师对不同大小乳腺癌肿块的诊断准确性。 结果226例乳腺肿块均经病理证实,其中良性病灶96例,恶性病灶130例。AI系统诊断乳腺恶性肿块的敏感度、特异度、阳性预测值、阴性预测值和准确性分别为93.84%、92.71%、94.57%、91.75%、93.36%,均高于不同年资医师。AI系统与不同年资医师诊断≤0.5 cm、＞0.5~1.0 cm、＞1.0~1.5 cm的乳腺癌肿块,其诊断准确性差异均有统计学意义（P=0.029、0.011、0.002）;诊断＞1.5~2.0 cm、＞2.0 cm的乳腺癌肿块,其诊断准确性差异均无统计学意义（P=0.117、0.668）。AI系统与2年资医师诊断≤0.5 cm、＞0.5~1.0 cm、＞1.0~1.5 cm的乳腺癌肿块,其诊断准确性差异均有统计学意义（P=0.006、0.002、0.001）。 结论AI系统在BI-RADS 4类乳腺肿块良恶性判断中具有较高的诊断价值,尤其对直径≤1.5 cm的乳腺癌的诊断;其可辅助低年资超声医师提高乳腺癌的诊断率。     

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。     

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。