摘要
摘要目的探讨基于深度学习构建胆道闭锁(biliary atresia，BA)超声人工智能(artificial intelligence，AI)诊断模型的可行性。方法前瞻性收集2018年9月至2020年10月湖南省儿童医院诊治的177例BA患儿(BA组)共计531张胆囊超声初始影像及195例非BA患儿(非BA组)共计585张胆囊超声初始影像，各组按2∶1分为训练集与测试集。使用训练集训练深度神经网络模型Mask R-CNN后，采用测试集分别以患儿和图像为单位对该模型进行测试，评价模型对胆囊的检测率及诊断准确率。另将测试集图像分别以患儿、图像为单位进行随机编号，分别邀请4名超声医师进行图片判读，计算诊断准确率。对模型诊断准确率与超声医师诊断准确率进行比较。结果在胆囊器官的自动检测方面：模型在BA组与非BA组的检测率均达到100%，但在总计372张测试集图像中有17张出现虚警，虚警率4.57%(17/372)。在诊断方面：以患儿为单位时，模型在测试集中总的诊断准确率为95.97%，高于外院超声医师及本院中级职称超声医师(均P<0.005)，略高于本院高级职称超声医师(91.94%)，但差异无统计学意义(P＝0.183)。以图片为单位时，模型在测试集中总的诊断准确率为97.04%，均高于外院超声医师及本院中级职称超声医师(均P<0.001)，略高于本院高级职称超声医师(94.09%)，但差异无统计学意义(P＝0.05)。结论基于Mask R-CNN的AI模型可较准确地检测胆囊器官，对BA的诊断准确率较高，该模型切实可行，值得进一步研究。
出版日期
2021年06月15日（中国期刊网平台首次上网日期，不代表论文的发表时间）
