超声S-Detect技术联合BI-RADS分类对≤20mm与>20mm乳腺结节的差异化诊断价值研究

本研究针对BI-RADS 4类乳腺结节存在的高假阳性活检问题，开发了结合人工智能S-Detect与BI-RADS的Co-Detect算法。通过382例结节的前瞻性研究证实，该技术对≤20mm结节诊断AUC达0.916，显著降低小病灶的漏诊率，使96.4%的4A类结节避免不必要活检，为临床精准决策提供新工具。

　　

乳腺癌作为女性健康"头号杀手"，其早期诊断面临巨大挑战。临床实践中，乳腺影像报告和数据系统（BI-RADS）4类结节（恶性风险3-94%）常需活检确认，但其中30-70%最终为良性，这种"宁可错杀"的现状给患者带来不必要的创伤。尤其对于≤20mm的小病灶，由于缺乏典型恶性特征，传统超声诊断犹如"雾里看花"，高度依赖医师经验。如何破解这个临床困境？中国三峡大学第一临床医学院超声科团队在《BMC Cancer》发表的研究给出了创新解决方案。

该研究创新性地将深度学习技术S-Detect与传统BI-RADS分类相结合，开发出Co-Detect动态风险分层算法。通过对312例患者382个结节的系统分析，研究人员采用多中心前瞻性设计，使用三星RS80A超声系统搭配L3-12A探头（分辨率达0.1mm）采集图像，由≥5年经验的超声医师双盲评估。S-Detect 2.0软件自动分析结节形态特征，Co-Detect算法根据纵横切面结果动态调整BI-RADS分级：双切面恶性提示升级，双切面良性提示降级，不一致则维持原分类。

诊断性能比较：

在≤20mm结节组，Co-Detect展现出显著优势：灵敏度89.77% vs 77.27%（BI-RADS），特异性93.51% vs 89.73%，准确率92.31% vs 85.71%。曲线下面积（AUC）达0.916，较单独使用BI-RADS（0.835）和S-Detect（0.855）均有统计学提升（P<0.001）。特别值得注意的是，对137例≤20mm的4A类结节降级后，仅6例（4.4%）为假阴性，这意味着93.6%的小结节患者可避免不必要活检。

20mm结节组：

虽然Co-Detect仍保持最高诊断效能（AUC=0.949），但其提升幅度相对较小。这提示传统超声对大结节的鉴别能力本身较强，如典型病例中可见清晰液化坏死区（图3），而AI技术的价值更多体现在小病灶诊断上。

临床转化价值：

研究最具突破性的发现体现在临床决策优化方面。166例被Co-Detect降级的4A类结节中，160例（96.4%）病理证实为良性；而25例被升级的结节中，19例（76%）为恶性。如图4所示，一例11mm的BI-RADS 4A结节经S-Detect双切面判定为良性后降级，最终病理证实为导管内乳头状瘤，成功避免了创伤性检查。

这项研究开创性地证实了AI辅助诊断系统在乳腺小病灶鉴别中的特殊价值。其重要意义在于：① 首次明确S-Detect对≤20mm结节诊断增益更大，填补了该技术尺寸依赖性研究的空白；② 提出的Co-Detect算法实现"智能纠偏"，使4A类结节活检率降低59.3%；③ 为临床建立"医师主导-AI辅助"的新型诊断模式提供循证依据。未来需在更多病理类型和更大样本中验证该技术的普适性，但其现有成果已为精准医疗时代下的乳腺疾病诊疗树立了新标杆。