基于B型超声的深度学习模型在鉴别良恶性颈部淋巴结病变中的诊断价值研究

本研究针对颈部淋巴结病变(CLP)良恶性鉴别诊断难题，开发了整合卷积神经网络(CNN)、可变形卷积网络和注意力机制的深度学习(DL)模型。通过210例病理确诊样本验证，该模型AUC达0.871，显著优于传统超声特征模型(p<0.05)，特异性提升至93.3%，为临床提供可靠的客观诊断工具。

　　

颈部淋巴结肿大是临床常见体征，其病因复杂多样，既可能是普通炎症反应，也可能是淋巴瘤或转移性恶性肿瘤的征兆。准确区分良恶性对治疗方案选择具有决定性意义。目前临床依赖的穿刺活检虽准确但存在创伤大、费用高等局限，而常规B型超声检查虽无创却受限于主观判断，不同医师对"淋巴门缺失"、"纵横比<2"等特征判断存在显著差异，导致诊断敏感性波动在47.8%-91.3%之间。这种"要么有创、要么不准"的困境，促使哈尔滨医科大学附属第二医院的研究团队探索人工智能解决方案。

研究人员在《Ultrasound in Medicine》发表的研究中，采用回顾性队列设计，收集2018-2022年间210例经穿刺病理确诊的CLP病例，按4:1比例随机分为训练集(169例)和测试集(41例)。关键技术包括：1)构建融合可变形卷积与注意力机制的深度学习框架；2)建立三种对比模型(传统超声特征模型、多因素风险评分模型和纯DL模型)；3)采用受试者工作特征曲线(AUC)评估诊断效能。

【结果】

在训练队列中，多因素分析显示DL阳性结果是与恶性CLP相关的最强因素(OR=39.05,p<0.001)，显著超过第二预测因子"淋巴门缺失"(OR=6.01)。测试集验证显示，DL模型AUC(0.871)显著高于传统特征模型I(0.681,p=0.04)和逻辑回归模型II(0.679,p=0.03)。特别值得注意的是，DL模型特异性达93.3%，较模型I(40.0%)和II(60.0%)有统计学显著提升(p值分别为0.002和0.03)，而敏感性(80.8%)与最优模型I(96.2%)无显著差异(p=0.083)。

这项研究开创性地证明，整合先进神经网络架构的DL模型能有效捕捉人眼难以识别的超声影像特征。与传统方法相比，其优势主要体现在三个方面：首先，通过可变形卷积网络适应淋巴结的形态变异；其次，注意力机制强化了关键区域的特征提取；最后，端到端训练方式避免了人工特征选择的偏差。临床价值在于，该模型可减少约53%的不必要活检，特别适合医疗资源匮乏地区应用。

研究团队Hang Zhou等指出，当前模型仍需扩大样本量验证，特别是针对结核性淋巴结炎等特殊类型。未来工作将探索多模态数据融合，结合弹性成像和超声造影特征进一步提升诊断精度。这项成果为AI辅助超声诊断树立了新标杆，其方法论框架也可拓展至甲状腺、乳腺等浅表器官病变的鉴别诊断。