基于超声影像深度学习模型在评估乳腺癌肿瘤浸润淋巴细胞水平中的应用价值

目的 探讨基于超声影像的深度学习模型在预测乳腺癌肿瘤浸润淋巴细胞水平的可行性。方法 回顾性分析2019年1月1日-2022年9月30日就诊于兰州大学第二医院，经病理证实的275例乳腺癌患者的二维灰阶超声图像，其中训练集220例，验证集55例。根据病理结果，分为高肿瘤浸润淋巴细胞水平组和低肿瘤浸润淋巴细胞水平组。采用深度卷积神经网络残差网络模型训练和验证。使用受试者操作特征曲线下面积、准确率、特异度、敏感度和F1分数评价模型的诊断性能。结果 基于深度学习的残差网络模型对乳腺癌肿瘤浸润淋巴细胞水平预测的受试者操作特征曲线下面积为0.936,F1分数为0.878，准确率为87.3%，特异度为87.5%，敏感度为87.1%。结论 基于超声影像的深度学习模型有望成为无创预测乳腺癌肿瘤浸润淋巴细胞水平的重要工具。     

基于超声造影的影像组学在肝细胞癌诊断中的研究进展

肝细胞癌（hepatocellular carcinoma,HCC）早期临床表现具有隐匿性和不典型性,如何在HCC发病早期进行精准诊断仍是目前面临的巨大挑战。超声造影（contrast-enhanced ultrasound,CEUS）在HCC的诊断和疗效评估中应用广泛,影像组学的出现极大推动了精准医疗的发展,两者结合有望在HCC早期诊断中成为更有前景的监测工具。本综述阐述了基于CEUS的影像组学在HCC诊断中的应用现状,并展望了未来研究的方向和挑战。