10.3969/j.issn.1006-1959.2022.20.007
人工智能S-Detect技术联合BI-RADS分类及Adler分级法在乳腺肿块诊断中的价值
目的 探讨人工智能S-Detect技术联合BI-RADS分类及Adler分级法诊断乳腺肿块中的价值.方法 收集2019年9月-2021年7月在安徽医科大学第二附属医院超声诊断科行超声检查的121例乳腺肿块患者的超声图像资料,分析BI-RADS分类、S-Detect及Adler分级法诊断结果,根据S-Detect及Adler分级法诊断结果将每个肿块的分类进行联合诊断,以病理结果为金标准,比较BI-RADS分类、BI-RADS联合S-Detect技术、BI-RADS联合S-Detect技术及Adler分级法诊断乳腺肿块的灵敏度、特异度、准确度,采用受试者操作曲线(ROC)分析三种诊断方法的价值.结果 病理结果显示,121例乳腺肿块患者恶性65例,良性56例.BI-RADS分类、BI-RADS联合S-Detect技术、BI-RADS联合S-Detect技术及Adler分级法的AUC分别为0.644、0.663、0.823;BI-RADS分类诊断乳腺肿块的灵敏度为98.46%、特异度为30.36%、准确度为66.94%;BI-RADS联合S-Detect诊断乳腺肿块的灵敏度为96.92%,特异度为35.71%,准确度为68.60%;BI-RADS联合S-Detect及Adler分级法诊断乳腺肿块的灵敏度为98.46%,特异度为66.07%,准确度为83.47%.结论 人工智能S-Detect技术联合BI-RADS分类及Adler分级法可进一步提升对乳腺肿块的诊断效能,对临床干预与治疗具有重要的指导意义.
S-Detect技术、彩色多普勒血流显像、乳腺影像报告数据系统、乳腺肿块
35
R445.1(诊断学)
安徽医科大学校科研基金项目2021xkj035
2022-12-16(万方平台首次上网日期,不代表论文的发表时间)
共5页
32-36