Radiology姐妹刊！深圳市人民医院超声科联合深大、南京医科大等打造超声AI诊断助手，乳腺癌报告生成准确率超92%

近日，深圳市人民医院超声科董发进团队与深圳大学、南京医科大学等联合开发出一款基于多模态乳腺超声图像的AI报告生成系统，在超过10万例临床数据验证中表现卓越，其生成的报告在BI-RADS分类方面与中级医师水平相当，并能有效提升低年资医师的诊断一致性。该研究发表于Radiology姐妹刊《Radiology: Artificial Intelligence》，为超声智能化诊断提供了重要实践范例。

1. 研究背景     乳腺超声是乳腺癌筛查的重要手段，尤其适用于致密型乳腺人群和基层医疗场景。然而，传统超声报告撰写高度依赖医师经验，存在主观性强、耗时长、不同年资医师之间诊断差异大等问题。尽管已有AI技术应用于影像分类，但能够直接从图像生成完整诊断报告的系统仍属罕见，且多数研究局限于小样本、单中心数据，临床适用性有限。
 

2. 研究方法     数据规模：研究回顾性收集了三家医院2020–2022年共104,364例乳腺超声病例，包含近87万张多模态（B超、彩色多普勒、弹性成像）和多切面图像。     系统设计：采用“发现-印象”双模型架构，分别生成报告中的图像描述部分和诊断结论部分，支持端到端的全自动报告生成。     评估方式：由3名高年资超声医师（10–30年经验）对AI生成报告、中级医师报告以及低年资医师在AI辅助下撰写的报告进行盲审评分，重点评估BI-RADS分类接受度、病灶特征描述准确性、语言流畅度等指标。
 

3. 研究结果     AI vs 中级医师：在300例外部队列中，AI系统的BI-RADS分类接受度为92.33%（277/300），与中级医师的95.00%（285/300）相比达到非劣效（P<0.001）。     AI辅助低年资医师：在400例测试中，3名低年资医师使用AI辅助后，BI-RADS接受率分别从87.00%、86.50%、84.75%提升至90.75%、92.00%、90.25%，均有显著提高（P值分别为0.06、0.007、0.02）。     效率提升：AI生成单份报告仅需0.29秒，而医师平均需129秒，效率提升超过400倍。
 

4. 临床意义与展望     该系统不仅显著提升报告撰写效率，更有效降低了低年资医师的诊断变异风险，具备较强的临床转化潜力。未来团队计划整合临床信息（如年龄、病史）、增加多语言支持，并结合大语言模型进一步优化报告质量，推动超声诊断向标准化、智能化迈进。
 

论文标题：Artificial Intelligence in Breast US Diagnosis and Report Generation

论文链接：https://pubs.rsna.org/doi/10.1148/ryai.240625?url_ver=Z39.88-2003&rfr_id=ori:rid:crossref.org&rfr_dat=cr_pub%20%200pubmed

声明：本文内容基于公开发表的学术论文，仅作知识传播与学术交流之用，不涉及任何商业用途。如有疑问，请联系我们。