摘要目的探讨采用基于卷积神经网络(CNN)构建的人工智能辅助诊断模型对乳腺肿块四分类进行超声鉴别诊断的应用价值。方法利用CNN构建辅助诊断模型，收集2016年1月至2018年1月首都医科大学附属北京天坛医院的2 098例乳腺肿块患者(其中良性肿瘤1 132例，恶性肿瘤779例，炎症32例，腺病155例)的10 490张超声图像，将其分为训练集和测试集，对人工智能辅助诊断模型进行训练及测试。并将分别使用二维成像(two-dimensional imaging，2D)和二维彩色多普勒成像(two dimensional color Doppler flow imaging，2D-CDFI)的两组数据训练模型进行比较。分析乳腺良性肿瘤、恶性肿瘤、炎症、腺病患者的ROC曲线，计算ROC曲线下面积(AUC)。结果使用2D-CDFI数据训练的模型比使用2D数据训练的模型对良性肿瘤和炎症的训练集和验证集的准确性有显著提高。①对于良性肿瘤的诊断，使用2D图片训练集的敏感性92%，特异性95%，AUC 0.93；使用2D-CDFI图片训练集的敏感性93%，特异性95%，AUC 0.93；使用2D图片测试集的敏感性91%，特异性96%，AUC 0.94；使用2D-CDFI图片测试集的敏感性93%，特异性94%，AUC 0.94。②对于恶性肿瘤的诊断，使用2D图片训练集的敏感性93%，特异性97%，AUC 0.94；使用2D-CDFI图片训练集的敏感性93%，特异性96%，AUC 0.94；使用2D图片测试集的敏感性93%，特异性96%，AUC 0.94；使用2D-CDFI图片测试集的敏感性93%，特异性96%，AUC 0.94。③对于炎症的诊断，使用2D图片训练集的敏感性81%，特异性99%，AUC 0.91；使用2D-CDFI图片训练集的敏感性86%，特异性99%，AUC 0.89；使用2D图片测试集的敏感性100%，特异性98%，AUC 0.98；使用2D-CDFI图片测试集的敏感性100%，特异性99%，AUC 0.96。④对于腺病的诊断，使用2D图片训练集的敏感性88%，特异性97%，AUC 0.94；使用2D-CDFI图片训练集的敏感性93%，特异性98%，AUC 0.94；使用2D图片测试集的敏感性94%，特异性98%，AUC 0.93；使用2D-CDFI图片测试集的敏感性88%，特异性99%，AUC 0.90。即使肿瘤的最大径<1 cm，也不影响准确性。结论基于CNN构建的人工智能深度学习可以对乳腺肿块进行更细致的分类，提高诊断率，对乳腺肿瘤患者的治疗具有较好的指导作用。
