基于深度学习的婴儿泌尿系统扩张(UTD)超声分类模型：与专家评估的一致性研究

为解决婴儿泌尿系统扩张(UTD)临床分类的标准化难题，研究人员开发了三种基于交叉熵损失的深度学习模型，通过492例右肾和487例左肾超声图像的四折交叉验证，实现右肾88.7%(95% CI[85.8%-91.5%])和左肾80.5%(95% CI[77.6%-82.9%])的分类准确率，加权Kappa值达0.90与0.87。该研究为婴儿UTD的自动化诊断提供了高可靠性决策支持工具。

　　

泌尿系统扩张(Urinary Tract Dilation, UTD)作为婴儿常见病症，其超声诊断长期依赖主观判断。这项研究创新性地采用三种深度学习架构，对≤3月龄婴儿的肾脏超声图像进行自动化分级。数据集包含492幅右肾和487幅左肾矢状面超声图像，均经儿科泌尿放射专家标注，患者平均年龄1.2±0.1月，男女比例约2.3:1。

模型表现令人振奋：在原始多分类任务中，右肾分类准确率显著优于左肾(88.7% vs 80.5%)，加权Kappa值均超过0.85，显示极强专家一致性。当简化为轻度(正常/P1)与重度(UTD P2/P3)二分法时，准确率跃升至96.3%(右肾)和91.3%(左肾)，但Kappa值适度降低至0.75-0.78，提示模型在极端病例判别上更具优势。

该突破性成果证实，深度学习可有效捕捉婴儿肾脏超声中UTD的细微特征差异，其表现媲美专业放射科医师。特别是对危重病例(P2/P3)的高灵敏度，使其成为临床工作流中理想的"第二阅片者"，有望显著提升新生儿泌尿系统疾病的早期筛查效率。