摘要：背景与目的:人工智能(artificial intelligence,AI)技术可辅助影像学诊断。本研究探讨AI辅助超声对中国女性乳腺病灶的识别能力及其应用于乳腺癌筛查的可能性。方法:采用平行对照诊断性试验和前瞻性随访的研究设计,纳入至肿瘤专科医院就诊、并行乳腺超声检查的非乳腺癌女性。所有女性首先接受AI辅助超声检查,然后接受常规超声检查,比较AI辅助超声和常规超声识别乳腺病灶的差异;随访1年内乳腺癌发生情况,比较两种超声方式诊断乳腺癌的灵敏度和特异度。结果:研究纳入360人,共发现2504个乳腺病灶,其中AI辅助超声报告2217个病灶,病灶报告率为88.5%;常规超声报告1090个病灶,病灶报告率为43.5%。以常规超声为标准,AI辅助超声识别乳腺影像报告和数据系统(Breast Imaging Reporting and Data System,BI-RADS)4级以上乳腺病灶的灵敏度为93.3%(95%CI:80.7%~98.3%),特异度为100.0%(95%CI:99.5%~100.0%);随访发现10例乳腺癌,AI辅助超声和常规超声均判定为阳性的有8例,灵敏度均为80.0%(95%CI:44.2%~96.4%),特异度均为88.6%(95%CI:84.6%~91.6%)。结论:AI辅助超声对于BI-RADS 4A以上的高危乳腺病灶及早期乳腺癌的识别能力与常规超声相当,是一种有效的乳腺癌辅助诊断手段,并具有应用于人群乳腺癌筛查的潜力。

摘要：目的 创建用于巨大胎儿体质量估测新公式,并将新公式和现有的25个公式进行比较.方法 对1153例胎儿（其中239例巨大胎儿）在出生前1周以内行产科超声检查,测量胎儿双顶径（BPD）、头围（HC）、腹围（HC）、和股骨长（FL）,出生后记录胎儿体质量.采用逐步回归法设计新公式,1034例（914例非巨大胎儿＋120例巨大胎儿）数据用于建立新的全范围体质量预测公式,239例巨大胎儿中120例数据为训练集,被用于建立疑似巨大胎儿胎重估测公式,其余119例巨大胎儿（测试集）用于公式验证,并与国内外常用25个公式相比较.结果 全范围体质量估测公式为：lgBW=0.180（HC）＋0.00628 （AC）-0.00318（HC）2＋0.00173 （AC） （FL）＋0.0000430 （BPD） （HC）2.疑似巨大胎儿胎重估测公式为：lgBW=0.730（BPD） -0.0375 （BPD）2＋0.000264 （AC） （FL）.新估测公式对119例测试集的平均误差为（- 87.89±230.95）g,平均绝对百分误差为（4.4±3.9）％,25个公式中误差最小公式的平均估测误差为（115.61±345.09）g,平均绝对百分误差为（6.8±5.4）％,新公式与公认的其他常用公式相比,平均绝对误差、平均绝对百分误差均为最低.结论 新公式评估胎儿体质量的准确性较高.新公式适宜于评估中国胎儿体质量,尤其适合评估巨大胎儿体质量.

摘要：目的 创建公式用于低体质量胎儿体质量估测。方法 314例体质量低于2500g胎儿，在产前3d以内行超声检查，记录胎儿生长发育参数：双顶径（BPD）、头围（HC）、腹围（AC）和股骨长（FL），并记录出生后体质量。220例用于公式创建，采用线性回归设计公式，另外94例用于公式的验证，并与国内外常用公认的经典公式相比较。结果 新公式：估测体质量（EFW）=-2388．92＋8．132（BPD）＋2．004（HC）＋4．134（AC）＋30．002（FL），R^2=0．758，P=0．000。在验证组，新公式与公认的其他常用公式相比，平均绝对误差为（133．22±106．16）g，平均绝对百分误差为（8．15±7．92）％，均为最低，新公式在评估低体质量儿的体质量时，准确性较高。结论 新公式适宜于产前评估中国早产儿和低体质量儿的体质量。

摘要：目的:探讨利用浸润性乳腺癌超声高通量图像特征预测同侧腋窝淋巴结转移的价值。方法:为表征乳腺肿瘤的特性,设计基于乳腺影像报告与数据系统(Breast Imaging Reporting and Data System,BI-RADS)的高通量特征、尺度不变特征转换(scale-invariant feature transform,SIFT)的特征和卷积神经网络(convolutional neural network,CNN)的特征,并结合3个重要临床信息,共获得10 703个特征,构成相应的特征体系。利用十折法随机重复采样100次,先用单因素t检验筛选出P<0.05的特征,再使用最小化绝对值收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归模型进一步筛选,将出现次数最多的100个特征作为最优特征集,输入一个使用十倍交叉验证法的线性核支持向量机(support vector machine,SVM)分类器中进行分类。结果:对380例女性浸润性乳腺癌患者进行研究,分类器受试者工作特征(receiver operating characteristic,ROC)曲线的曲线下面积(area under curve,AUC)为0.903,准确率为82.6%,灵敏度为90.6%,特异度为69.9%。结论:该研究提取的乳腺超声图像特征能较好地预测淋巴结转移,可为医师进行乳腺淋巴结检查提供参考。