基于自由扫查超声视频的全病灶感知网络在乳腺癌评估中的前瞻性多中心研究

本研究针对乳腺超声静态图像AI模型临床应用受限的问题，开发了基于自由扫查超声视频的全病灶感知网络(WAUVE)。通过多中心研究验证，该模型在外部验证集AUC达0.8998，诊断性能与资深放射科医师相当（灵敏度97.39% vs 98.48%），且辅助医师将特异性提升6.67%。该成果为克服超声操作依赖性提供了创新解决方案，发表于《Cancer Imaging》。

　　

乳腺超声检查作为乳腺癌筛查的重要手段，却长期面临"操作者依赖性"的困境。就像摄影师的手抖会导致照片模糊，不同医师扫查手法差异使得静态图像质量参差不齐，导致现有AI模型的临床应用效果大打折扣。更棘手的是，单张二维图像就像管中窥豹，难以展现肿瘤全貌，这迫使医生们不得不在信息残缺的情况下做出诊断。在中国这样医疗资源分布不均的国家，基层医院与三甲医院的诊断水平差异更加剧了这一矛盾。

为解决这一临床痛点，由中国医学科学院肿瘤医院牵头，联合北京协和医院等多家医疗机构组成的研究团队，创新性地将目光投向了超声检查过程中自然产生的动态视频数据。这些视频就像连续拍摄的立体电影，完整记录了医师自由扫查时获取的病灶全貌。研究人员开发的全病灶感知网络(WAUVE)巧妙地融合了 Faster R-CNN 病灶检测和 I3D 视频分类技术，使AI首次具备了"观看"超声视频的能力。这项发表在《Cancer Imaging》的研究，为破解超声AI临床应用难题提供了全新思路。

研究团队采用多阶段验证策略：首先利用两家医院2010-2022年的2912个病灶视频构建模型，随后在2022-2023年前瞻性收集的190个独立病例中进行外部验证。关键技术包括：1）基于ResNet-34和特征金字塔网络(FPN)的病灶检测模块；2）采用Inflated 3D ConvNet(I3D)的视频分类架构；3）通过全局平均池化(GAP)生成可解释的热力图。所有数据均来自临床常规检查，保留了真实的操作差异性。

【模型开发与性能比较】
WAUVE在训练集达到0.9745的AUC值，显著优于静态2D-ResNet50模型（内部验证集AUC 0.9212 vs 0.8824）。值得注意的是，即使输入非标准化的自由扫查视频，其表现仍与需要规范采集的TimeSformer模型相当（p=0.92），证明动态信息可弥补采集差异带来的影响。

【外部验证表现】
在全新采集的190例视频中，模型保持稳定性能（AUC 0.8998），对不同医院（PUMCH 0.8815 vs NCC 0.9168）、年龄组（<50岁0.9040）和病灶大小（≤10mm 0.9423）均展现良好适应性。特别在BI-RADS 4-5类病灶中，灵敏度高达97.32%，为高风险病例筛查提供可靠保障。

【与医师诊断对比】
当设定阈值匹配医师平均灵敏度时，WAUVE展现出与资深医师相当的诊断水平：灵敏度97.39% vs 98.48%（p=0.36），准确率78.42% vs 79.34%（p=0.60）。热力图分析显示，模型能像人类专家一样关注边缘不规则等恶性特征（如图6所示）。

【AI辅助价值】
模型辅助使医师平均特异性提升6.67%（p=0.003），诊断一致性ICC从0.807提高到0.838。在耗时较长的复杂病例中，特异性提升尤为显著（p=0.027），显示AI可有效减轻医师认知负荷。表5数据显示，医师参考AI结果后，对31例良性病变正确降级分类，避免了不必要活检。

这项研究突破了超声AI标准化采集的桎梏，首次证明自由扫查视频可直接用于高精度诊断。WAUVE模型像一位不知疲倦的助手，既能独立完成与专家相当的诊断工作，又能通过热力图直观展示诊断依据，显著提升临床决策透明度。其成功应用将有助于缩小不同层级医院间的诊断差距，特别对乳腺筛查普及率快速提升的中国具有重要公共卫生意义。未来若能整合临床信息并扩大设备兼容性，有望成为改变乳腺超声诊断范式的重要推手。