《IEEE Reviews in Biomedical Engineering》：Establishment of High-Precision Ultrasound Diagnosis Methods Based on the Introduction of Deep Learning
编辑推荐：
本刊推荐：为解决超声诊断中操作者依赖性、伪影干扰和分辨率限制等问题，研究团队系统综述了深度学习(DL)在超声成像中的应用。文章详细阐述了DL技术如何通过标准化操作流程、伪影识别与分辨率提升等方法突破传统局限，并汇总了已获FDA/CE批准的AI辅助诊断设备临床证据。研究表明，Transformer等新兴架构在乳腺肿瘤分割、胎儿心脏异常检测等任务中表现出超越传统CNN模型的性能，为超声诊断从“经验依赖”向“数据驱动”转型提供了关键技术支撑。
超声成像因其无辐射、实时性和便携性优势，已成为临床诊断的常规利器。然而这把"双刃剑"始终面临着操作者经验依赖性强、图像伪影干扰、深部组织分辨率有限等固有挑战。不同医疗机构甚至不同医师之间的诊断差异，使得超声结果难以实现标准化评估；骨骼或气体造成的声影伪影常掩盖关键病灶；而相较于CT/MRI等影像技术，超声在微小病变识别方面仍存在明显不足。这些局限性严重制约了超声诊断在精准医疗时代的应用价值。
为突破这些瓶颈，国际研究团队在《IEEE Reviews in Biomedical Engineering》上发表综述，系统阐述了深度学习(Deep Learning, DL)技术如何重塑超声诊断范式。研究团队通过多维度分析证实，DL技术不仅能量化评估操作者技能水平，还能实现自动化的标准切面识别、智能伪影校正和图像超分辨率重建，显著提升诊断的一致性和准确性。
在技术方法层面，作者重点介绍了三大核心方向：首先基于探头运动追踪和视频分析技术，开发了操作者技能评估系统（如Wang等提出的CNN框架）和胎儿心脏超声辅助架构SONO；其次针对伪影问题，创新性地采用自编码器结构结合合成阴影训练策略进行声影估计；此外通过生成对抗网络(Generative Adversarial Network, GAN)和Transformer架构实现图像质量增强，如Li等开发的BUSnet乳腺肿瘤检测系统和DSATNet分割网络。
操作者技能差异的DL解决方案
通过分析胎儿超声检查中的探头运动数据，Wang等构建的深度学习模型能以95%准确率区分新手与经验丰富操作者。团队开发的SONO系统则创新性地采用仅需正常数据训练的监督目标检测方法，通过时序条形码可视化技术，实现对先天性心脏病异常案例的自动识别，其异常评分显著高于正常组。
伪影消除的技术突破
针对声影伪影这一经典难题，Yasutomi等提出采用合成阴影作为伪标签的自编码器结构，不仅实现阴影区域的像素级定位，还能估计阴影强度。该方法在胎儿心脏诊断中达到0.720的DICE分数，优于传统分割算法。Li等开发的BUSnet通过结合选择性搜索与Canny边缘检测的预处理流程，显著提升乳腺肿瘤检测的准确性。
分辨率增强的创新应用
Li团队将GAN技术应用于甲状腺癌颈淋巴结转移预测，通过超分辨率重建提取更丰富的影像组学特征，构建的列线图预测模型显著优于基于原始图像的模型。Rhyou等提出的CSM-FusionNet采用多专家融合策略，通过YOLOv8检测框架与SoftMax加权框融合技术，实现对肝脏病变的精准分类。
临床转化成果显著
在肿瘤领域，Koios DSTM、AmCAD-UT?等已获FDA批准的系统通过多中心研究验证，可提升乳腺/甲状腺结节诊断的AUC值并减少不必要的活检。心血管领域更是百花齐放：Ultromics的EchoGo Core实现左心室射血分数(Ejection Fraction, EF)的自动测算；Caption Guidance通过CNN架构实时指导标准切面采集；而团队自主研发的HOPE LifeMark胎儿心脏筛查系统成为全球首款获批的胎儿心脏AI辅助诊断工具。
Transformer架构的革命性影响
Vision Transformer等新兴架构正在重塑超声图像分析范式。Li等开发的DSATNet通过双分支结构融合Swin Transformer全局上下文理解与Segment Anything Model(SAM)的局部特征提取能力，在乳腺超声分割任务中实现mIoU显著提升。Ni团队提出的M2Trans模型则创新性地引入文本模态指导，通过多模态正则化机制提升超声图像超分辨率重建质量。
挑战与展望
尽管DL技术展现出巨大潜力，研究者也清醒指出了四大核心挑战：模型过拟合问题需通过前瞻性临床试验验证；黑箱决策机制团队通过开发可解释的"图谱图表"方案予以缓解；域偏移现象要求跨中心数据标准化；而临床效用验证仍需更多真实世界证据支持。尤其随着生成式AI的普及，幻觉(hallucination)风险成为新的关注点。
该研究的重要意义在于首次系统构建了DL赋能超声诊断的技术框架与评估体系，不仅详细阐述了从基础算法到临床落地的完整路径，更通过对已获批设备的疗效分析，证明了AI技术超越研究阶段的实际临床价值。随着Transformer等新架构的引入，超声诊断正从"经验依赖"迈向"数据驱动"的新纪元，这一转型将深刻影响医疗资源分配、医生培训模式和诊疗标准化建设，最终实现精准医疗的普惠化目标。
