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。     

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。     

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。     

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。     

S-Detect技术在乳腺非肿块型病变中的诊断价值

目的探讨S-Detect技术在乳腺非肿块型病变中的诊断价值,并进一步分析不同切面下S-Detect的诊断效能差异。方法选取我院行常规超声及S-Detect技术检查并取得病理结果的乳腺非肿块型病变62例,以病理结果为金标准,比较超声医师、S-Detect技术的诊断效能及二者与病理结果的一致性,并分析S-Detect技术不同切面对乳腺非肿块型病变的诊断效能差别。结果 62例非肿块型病变中,良性52例,恶性10例。S-Detect技术诊断乳腺非肿块型病变的灵敏度(100.0%)与中年资医师组(90.0%)无明显差异(P0.05),医师组诊断特异度与准确度高于S-Detect(82.7%vs 59.6%、83.9%vs 66.1%,P0.05)。S-Detect技术诊断乳腺非肿块型病变的ROC曲线下面积(0.798)与中年资医师组(0.863)差异无统计学意义(P0.05)。S-Detect技术、医师组与病理结果的一致性Kappa值分别为0.323、0.549。S-Detect技术不同切面(最大径切面、最大径垂直切面、超声特征最典型切面)诊断乳腺非肿块型病变的ROC曲线下面积(0.729、0.688、0.692)差异无统计学意义(P0.05)。结论 S-Detect技术对乳腺非肿块型病变的诊断水平与中年资医师组相当。S-Detect技术不同切面诊断效能一致。     

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。     

自动乳腺超声诊断系统（ABUS）结合计算机辅助诊断系统（CAD）前后对乳腺恶性病灶的诊断价值对比

目的 本研究旨在探讨应用自动乳腺超声诊断系统（ABUS）结合计算机辅助诊断系统（CAD）对于不同经验医师诊断乳腺恶性病灶的价值。 方法 收集行ABUS检查的乳腺病例1452例,结果均经病理或随访1年以上证实。比较6名医师（3名低年资医师和3名高年资医师）使用CAD系统前后的诊断敏感度、特异度、AUC及平均阅读时间。结果 1452例病例中,270例为恶性,共有282个恶性病灶,674例为良性,共有695个良性病灶,508例为阴性。应用CAD系统前,低年资与高年资医师诊断乳腺癌的敏感度分别为87%、93%,使用CAD后提高到94%、94%,低年资医师的诊断敏感度前后差异具有统计学意义（P<0.05）,高年资医师差异无统计学意义（P＞0.05）。6名医师在使用CAD系统前后诊断特异度均略有下降,但差异均无统计学意义（P＞0.05）。低年资医师在使用CAD系统前后的诊断符合率有所提高,ROC曲线下面积由0.85提高到0.89,差异具有统计学意义（P<0.05）。而高年资医师组,虽然ROC曲线下面积由0.91提高到0.92,但差异不具有统计学意义（P＞0.05）。所有医师使用CAD后的平均阅读时间均有不同程度的延长,差异具有统计学意义（P<0.05）。结论 虽然使用CAD后的平均阅读时间有所延长,但在可接受范围内,借助ABUS-CAD的阅读模式能大大提高医生诊断的准确度和敏感度,对于低年资医师帮助更大。     

应变式弹性成像与剪切波弹性成像技术鉴别诊断乳腺良恶性病灶的价值比较

目的比较应变式弹性成像（SE）与剪切波弹性成像（SWE）技术鉴别诊断乳腺良恶性病灶的价值。 方法选择2015年1至12月南京医科大学第一附属医院收治的乳腺疾病患者150例共155个乳腺病灶进行SE检查,用改良5分法对病灶进行弹性评分,测量应变率比值（SR）;对病灶进行SWE检查,测量最大弹性模量值E_max、平均弹性模量值E_mean、弹性标准差E_sd、病灶/脂肪弹性比E_ratio。绘制SE、SWE弹性参数鉴别诊断乳腺良恶性病灶构建操作者工作特征（ROC）曲线,计算曲线下面积（AUC）。选取AUC最大的SE及SWE参数,采用McNemar检验比较其鉴别诊断不同乳腺影像报告与数据系统（BI-RADS）分类乳腺良恶性病灶的准确性。 结果ROC曲线显示,SE参数弹性评分及SR,SWE参数E_max、E_mean、E_sd及E_ratio鉴别诊断乳腺良恶性病灶ROC的AUC分别为0.823、0.810、0.877、0.835、0.881、0.853。ROC的AUC最大的SE、SWE弹性参数分别为弹性评分、E_sd。E_sd鉴别诊断BI-RADS 4A类乳腺良恶性病灶的准确性高于弹性评分（86.3% vs 64.7%）,且差异有统计学意义（χ²=4.639,P<0.05）;E_sd鉴别诊断BI-RADS 3类、4B类乳腺良恶性病灶的准确性高于弹性评分,且弹性评分鉴别诊断BI-RADS 4C类及5类乳腺良恶性病灶的准确性高于E_sd,但差异均无统计学意义。 结论SE和SWE技术对乳腺良恶性病灶鉴别诊断均有较高的诊断价值,且价值相当。与BI-RADS分类相结合可以优化弹性成像技术在临床中的选择及应用。     

不同年资医师应用自动乳腺超声诊断系统结合CAD对乳腺恶性病灶的诊断价值

目的探讨不同年资医师应用计算机辅助诊断系统(CAD)辅助自动乳腺超声诊断系统(ABUS)对于诊断乳腺恶性病灶的价值。方法收集行ABUS检查的乳腺病灶患者1452例,其中,恶性270例,共282个病灶;良性674例,共695个病灶;阴性508例。比较6名医师(3名低年资医师与3名高年资医师)使用CAD系统前后的诊断敏感性、特异性、受试者工作特征(ROC)曲线下面积及平均阅读时间。结果应用CAD前,低年资医师与高年资医师诊断恶性病灶的敏感性分别为87%、93%,使用CAD后均提高至94%,低年资医师使用CAD前、后诊断敏感性比较差异有统计学意义(P<0.05),高年资医师差异无统计学意义。6名医师在使用CAD系统前后诊断特异性无变化。低年资医师在使用CAD系统后的诊断准确率有所提高,曲线下面积由0.85提高至0.89,差异有统计学意义(P<0.05);而高年资医师在使用CAD系统后,虽然ROC曲线下面积由0.91提高至0.92,但差异无统计学意义。所有医师使用CAD后的平均阅读时间均有不同程度的延长,差异有统计学意义(P<0.05)。结论虽然使用CAD后的平均阅读时间有所延长,但在可接受范围内,ABUS结合CAD能大大提高超声医师诊断乳腺恶性病灶的准确率和敏感性,且对低年资医师帮助更大。     

2013版BI-RADS分类标准结合声触诊组织量化技术鉴别诊断乳腺良恶性病灶的价值

目的 探讨2013版超声乳腺影像报告和数据系统(BI-RADS)分类诊断标准结合声触诊组织量化技术(VTQ)鉴别乳腺良恶性病灶的价值。方法 对251位患者共334个乳腺病灶行常规超声检查,并用BI-RADS分类诊断标准判断其良恶性;然后应用VTQ技术测量病灶的剪切波速度(SWV);以病理结果作为金标准,构建受试者的工作特征曲线,比较两种方法的诊断价值。结果 BI-RADS分类诊断标准及VTQ技术鉴别乳腺良恶性病灶的ROC曲线下面积分别为0.899、0.855,两者差异无统计学意义(z=1.367,P=0.172)。结论 BI-RADS分类诊断标准与VTQ技术结合可以提高乳腺病灶的诊断准确性。对于BI-RADS 4类的病灶,联合VTQ技术可减少不必要的穿刺活检或手术。     

声触诊组织成像量化技术与剪切波弹性成像技术对乳腺肿块的诊断价值比较

目的:比较声触诊组织成像量化(VTIQ)技术、剪切波弹性成像(SWE)技术对乳腺肿块的诊断价值。方法:对135例患者(145个乳腺病灶)先行术前常规超声检查,并进行BI-RADS分类,后行VTIQ检查,获得剪切波速度平均值(SWVmean),同时行SWE检查,获得弹性模量最大值(Emax)、弹性模量平均值(Emean)、弹性标准差(Esd)及弹性比值(Eratio)。绘制BIRADS分类及各弹性参数诊断乳腺病灶良恶性的受试者工作特征(ROC)曲线。比较BI-RADS分类、VTIQ及SWE的曲线下面积(AUC)差异,并比较两种诊断方法在不同BI-RADS亚分类中的准确率差异。结果:AUC最大的SWE参数为Emax,VTIQ、SWE、BI-RADS分类的AUC分别为0.912、0.909、0.845。VTIQ与SWE的AUC比较差异无统计学意义,但两者与BI-RADS分类比较差异均有统计学意义(P<0.05)。VTIQ鉴别诊断BI-RADS 4A的准确率高于SWE,差异有统计学意义(P<0.05);对BIRADS 4B和4C类病灶,两者准确率比较差异均无统计学意义。结论:VTIQ与SWE对乳腺良恶性病灶的鉴别诊断均具有较高价值,VTIQ对BI-RADS 4A类病灶具有更好的诊断价值。     

声触诊组织成像定量技术联合BI-RADS分类在乳腺病变中的诊断价值

目的探讨声触诊组织成像定量技术（VTIQ）联合乳腺影像报告和数据系统（BI-RADS）分类对乳腺良、恶性病变的诊断价值。 方法回顾性选取2016年8月至2017年4月在哈尔滨医科大学附属第一医院就诊并获得病理结果的172例患者共172个乳腺病变，172例乳腺病变患者均行常规超声检查及BI-RADS分类，并行弹性成像检查，采用VTIQ模式，获得质量模式图及速度模式图，每个病变记录7组剪切波速度（SWV）测值，取平均值。以病理结果为"金标准"，绘制VTIQ、BI-RADS分类方法及VTIQ联合BI-RADS分类方法诊断乳腺良、恶性病变的ROC曲线，计算曲线下面积并确定最佳诊断界值，分析比较3种方法取最佳诊断界值时的诊断效能。并对BI-RADS分类、VTIQ联合BI-RADS分类计算得出的乳腺病变活检率进行比较分析。 结果BI-RADS分类的ROC曲线下面积为0.762，最佳诊断界值为BI-RADS 3与4a类之间；VTIQ（SWV平均值）的ROC曲线下面积为0.895，最佳诊断界值为3.13 m/s；VTIQ联合BI-RADS分类的ROC曲线下面积为0.908，显著高于BI-RADS分类法的0.762（Z=5.79，P<0.01）。由ROC曲线得出VTIQ联合BI-RADS分类法的最佳诊断界值为BI-RADS 4a与4b类之间，其灵敏度、特异度、阳性预测值、阴性预测值和准确性分别为92.9%、88.8%、80.0%、96.3%和90.1%，与BI-RADS分类相比较，其诊断的特异度提高了32.8%，准确性提高了20.9%，阳性预测值提高了28.6%。116例良性病变中，根据BI-RADS分类计算，需要进行活检的为51例（51/116，43.9%）；根据VTIQ联合BI-RADS分类计算，需进一步活检的为16例（16/116，13.8%），活检率较BI-RADS分类法降低，差异有统计学意义（χ²=25.71，P=0.00）。 结论VTIQ技术联合BI-RADS分类对乳腺良、恶性病变具有较好的诊断效能，与BI-RADS分类比较，其有助于提高诊断的特异度及准确性，且可降低良性病变临床活检率，减少不必要的临床干预，可将弹性成像技术作为常规超声BI-RADS分类的有效补充和辅助诊断方法。     

基于自动乳腺容积扫描、乳腺X线摄影及MRI的BI-RADS分类鉴别乳腺良恶性肿块

目的比较基于自动乳腺容积扫描(ABVS)、乳腺X线摄影(MMG)及MRI的BI-RADS分类鉴别乳腺良恶性肿块的价值。方法回顾性分析94例乳腺肿块患者(104个病灶)的ABVS、MMG及MRI资料,根据第五版BI-RADS标准评估肿块并进行分类。以病理结果为标准,绘制ABVS、MMG、MRI的BI-RADS分类鉴别乳腺良恶性肿块的ROC曲线,比较3种方法的AUC、敏感度和特异度差异。结果104个乳腺肿块中,良性59个(56.73%),恶性45个(43.27%)。基于ABVS与基于MRI的BI-RADS分类鉴别乳腺良恶性肿块的AUC均为0.93,差异无统计学意义(Z=0.05,P=0.96),均高于MMG(0.82)(Z=2.74、3.32,P均<0.01)。3种方法诊断的最佳截断值均为BI-RADS 4a,ABVS的敏感度(91.11%)与MRI(88.89%)差异无统计学意义(χ²=0.12,P=0.73),且均高于MMG(71.11%)(χ²=5.87、4.44,P均<0.05);ABVS、MRI及MMG的特异度分别为86.44%、89.83%及83.05%,差异均无统计学意义(P均>0.05)。结论基于ABVS、MRI的BI-RADS分类鉴别乳腺良恶性肿块的效能相当,且均高于MMG。     

声脉冲辐射力成像鉴别诊断良、恶性BI-RADS 4级乳腺肿块

目的 评价声脉冲辐射力成像(ARFI)在乳腺影像学报告及数据系统(BI-RADS)4级乳腺肿块良、恶性诊断中的价值。 方法 用ARFI对68例共75个常规超声诊断为BI-RADS 4级的乳腺肿块进行成像,测量声触诊组织成像(VTI)模式下肿块面积与常规二维超声肿块面积比值(AR),并测量声触诊量化成像(VTQ)模式下肿块剪切波速度(SWV);以病理结果(恶性34个,良性41个)为金标准,构建ROC曲线,评价ARFI的2种成像模式对BI-RADS 4级乳腺肿块的诊断价值。 结果 良、恶性BI-RADS 4级乳腺肿块的AR值差异有统计学意义(P<0.05),ROC曲线下面积(AUC)为0.851,敏感度、特异度、准确率分别为82.40%、80.50%、81.30%。良、恶性BI-RADS 4级乳腺肿块的SWV值差异有统计学意义(P<0.05)。SWV值AUC为0.861,敏感度、特异度、准确率分别为85.30%、85.40%、85.30%。二者AUC差异无统计学意义(Z=1.47,P>0.05)。二者联合诊断的敏感度、特异度、准确率分别为88.20%、87.80%、88.00%。 结论 ARFI对鉴别BI-RADS 4级乳腺肿块的良、恶性具有较高价值;联合应用VTI和VTQ可以提高诊断效能。     

超声联合纹理分析对乳腺结节良恶性的诊断价值

目的以乳腺结节的灰阶超声及剪切波弹性超声影像为基础，分析超声图像的纹理特征，探索常规超声联合纹理分析对乳腺结节良恶性的诊断价值。 方法前瞻性收集2018年8月至2018年12月于首都医科大学附属北京友谊医院常规超声检查发现乳腺结节并获得病理诊断的患者113例，共113个结节。所有患者均行常规超声及剪切波弹性成像检查，并对113个乳腺结节依据乳腺影像报告和数据系统（BI-RADS）进行分类；对超声图像进行纹理分析，获得纹理特征参数并建立诊断模型。以病理结果为"金标准"，分析纹理特征诊断模型、常规超声联合纹理特征诊断模型对乳腺结节良恶性的诊断价值。 结果以乳腺结节穿刺病理结果为"金标准"，纹理分析诊断乳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0.64、0.91、0.75、0.86、0.83，ROC曲线下面积为0.77；常规超声与纹理分析联合方法诊断乳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0.88、0.85、0.71、0.94、0.86，ROC曲线下面积为0.86。联合诊断的ROC曲线下面积高于纹理分析，差异有统计学意义（Z=2.133，P=0.03）。采用常规超声联合纹理分析方法，90.0%（72/80）的BI-RADS 4a类乳腺结节可以降级为BI-RADS 3类，病理结果显示，降级为BI-RADS 3类的乳腺结节中94.4%（68/72）为良性结节。 结论常规超声联合纹理分析对乳腺结节良恶性有较好的诊断效能，可减少不必要的有创性检查，具有良好的应用前景。     

S-Detect技术在不同级别超声医师乳腺肿物性质诊断的应用价值

目的探讨超声智能化诊断(S-Detect)技术在不同级别超声医师对乳腺肿物性质诊断的应用价值。方法选取在我院门诊行乳腺超声检查有乳腺肿块的患者168例,乳腺肿物共206个,其中将符合标准的168个乳腺肿物纳入研究。A组两名高级职称的超声医师和B组两名初级职称的超声医师分别用BI-RADS分类和S-Detect技术对乳腺肿物进行良恶性评估。所有肿物均经穿刺活检或手术取得病理结果为金标准。结果A组医师单独应用BI-RADS分类、S-Detect及联合应用两种诊断技术的灵敏度分别为81.25%、87.50%、93.75%,特异度分别为76.32%、79.60%、84.21%,准确度分别为76.79%、80.36%、85.12%,一致性检验Kappa值分别为0.30、0.37、0.48。B组医师单独应用BI-RADS分类、S-Detect及联合应用两种诊断技术的灵敏度分别为68.75%、75.00%、87.50%,特异度分别为65.79%、68.42%、82.89%,准确度分别为66.07%、69.04%、83.33%,一致性检验Kappa值分别为0.15、0.20、0.42。结论超声智能化诊断技术联合应用BI-RADS分类能提高高级职称医师和初级职称医师对乳腺肿物性质诊断的准确度及其一致性,其中对于初级超声医师对乳腺肿物性质诊断的辅助价值更明显。     

人工智能辅助BI-RADS分类指导乳腺肿物活检的初步研究

目的探讨人工智能(S-Detect技术)辅助BI-RADS分类指导乳腺肿物活检的价值。方法常规超声BI-RADS分类均为4类的51例患者,共52个病灶均进行穿刺活检。穿刺活检前行S-Detect辅助结节的BI-RADS再次分类,以病理结果作为金标准比较两种分类方法的差异。结果BI-RADS 4类结节遵照指南均应进行穿刺活检,活检率100%(52/52)、阳性预测值38.5%(20/52)、假阳性率61.5%(32/52)、漏诊率0%(0/20)。S-Detect辅助分类后,52个病灶中24个降类为3类,则活检率53.8%(28/52)、阳性预测值67.9%(19/28)、假阳性率32.1%(9/28)、漏诊率5%(1/20)均发生明显变化,其中活检率及假阳性率显著减低(P<0.01),漏诊率的变化无统计学意义(P>0.05)。结论S-Detect辅助乳腺结节再次分类有助于减少不必要的穿刺活检,提高活检效能。