知见生命与战略支援部队特色医学中心、中国科学院计算技术研究所等多家单位在期刊《Bioengineering》上发表题为“Rapid Segmentation and Diagnosis of Breast Tumor UltrasoundImages at the Sonographer Level Using Deep Learning” 的研究论文，提出一种基于多卷积神经网络的乳腺超声图像辅助诊断方法，该方法通过引入了两阶段的卷积神经网络框架，将基于深度学习的图像分割和分类任务集成在一起，从而缩短了诊断的时间并提高了识别的准确率。
乳腺癌是严重威胁女性健康最常见的恶性肿瘤之一。乳腺超声筛查对于提高乳腺癌早诊率，增加治愈机会，降低死亡率至关重要。乳腺结节在超声图像中具有特征性表现，对乳腺超声图像中不同结节的定位和分类有助于医生确定患者是否需要进一步检查或干预，并为后续的治疗决策提供重要依据。
文章收集了来自战略支援部队特色医学中心1500例病人的2057张图像作为训练和验证样本，以及具有病理精标准的100例图像作为测试数据集，通过训练带有注意力机制的深度CNN神经网络，进行肿瘤的位置与大小的识别，将识别出的结节进行裁剪，作为第二阶段网络的训练样本，训练第二个深度CNN分类网络，进行乳腺结节良恶性的分级诊断，结果显示，在测试集上，该算法对肿瘤的定位识别平均IOU达到0.89，良恶性诊断准确率达到97%。
总体网络结构图
为进一步使人工智能算法具有更好的交互性，我们还设计并开发了一款乳腺超声影像智能辅助诊断系统。医生可将采集到的超声图像，直接上传到系统，系统调用人工智能算法识别出乳腺结节的位置和良恶性，然后将结果显示在图像上，医生通过审核检验系统输出的准确性。
同时，为了验证该算法对于超声医生在临床诊断中是否具有有效性，还邀请了三位不同年资的超声医生作为试验的阅片组，其超声阅片经验分别超过20年、3年和1年。试验中阅片者使用算法辅助的判读结果作为试验组，不经过算法辅助诊断的判读结果作为对照组，病理结果作为精标准。通过肿瘤位置准确率、良恶性准确率和诊断100例病人所需时间发现，对照组与试验组中高年资的医生对于乳腺肿瘤的良恶性诊断不受影响，但是时间上提高了近乎一倍，减少了高年资医生对肿瘤位置的判读，缩短寻找复杂超声图像中肿瘤位置的时间，大大提高了诊断效率。
