Ultraschall in der Medizin - European Journal of Ultrasound

Issue 04 · Volume 45 · August 2024

Metzler JM et al.

Systematic, noninvasive endometriosis diagnosis in transvaginal sonography by the Swiss Society of Ultrasound in Medicine

我们提出了一种新的系统、全面、基于检查表的超声评估方法，用于评估女性真骨盆内的子宫内膜异位症。该方法着重于实践技能的教学。新引入的“白色滑动线”（White Sliding Line，WSL）是核心结构。WSL将五个区域（前区、中区、后区以及右侧和左侧侧区）分隔开，这些区域内包含有待检查的子宫内膜异位症特有的活动性和形态学征象。该方法基于2016年IDEA共识及其后续发展，并与2021年#ENZIAN分类标准直接相关联。在实际操作中，评估遵循所提出的检查表，对所有区域进行检查，首先在高动态检查中判断器官和结构之间的滑动活动性。随后进行深度子宫内膜异位症（Deep Endometriosis，DE）的严格筛查。我们视粘连为第五类子宫内膜异位症单元（其他四类分别为卵巢子宫内膜异位囊肿、深度子宫内膜异位症、子宫腺肌病和浅表子宫内膜异位症），因其具有重要的临床意义，且可通过经阴道超声（Transvaginal Sonography，TVS）进行可靠诊断。将浅表（腹膜）子宫内膜异位症纳入评估范围是未来的目标。

Pedersen MRV et al.

Simulation-based education in ultrasound – diagnostic and interventional abdominal focus

基于模拟的训练（Simulation-Based Training，SBT）在全球范围内日益受到认可，已成为超声教育的热门工具。超声模拟利用技术和软件创建虚拟培训环境。基于模拟的训练使医疗专业人员能够在安全的学习环境中学习、练习和提高超声成像技能。SBT可提供逼真且有针对性的学习体验，使学习者能够深刻且沉浸地理解超声的复杂性，包括增强对特定兴趣领域的知识和信心。腹部超声模拟是提升患者安全性的工具，并且是一种成本效益高的训练方法。本文概述了各类腹部超声模拟器及其优势，以及SBT面临的挑战，并提供了如何开发SBT项目和学习策略（包括精熟学习）的示例。总之，随着医学影像需求的不断增长，医疗专业人员需要开始使用超声模拟器，以满足日益提高的标准。

Eun NL et al.

Artificial intelligence for ultrasound microflow imaging in breast cancer diagnosis

目的：开发并评估用于乳腺癌诊断的超声（Ultrasound，US）微血流成像（Microflow Imaging，MFI）人工智能（Artificial Intelligence，AI）算法。

材料与方法：我们回顾性收集了一组数据集，该数据集包含471名接受B型超声和微血流成像检查的女性的516个乳腺病灶（364个良性病灶和152个恶性病灶）。内部数据集被分为训练集（n=410）和测试集（n=106），用于从微血流成像的深度卷积神经网络中开发AI算法。AI算法经过训练，可提供恶性肿瘤风险（0-100%）。所开发的AI算法进一步使用包含264个病灶（229个良性病灶和35个恶性病灶）的独立外部数据集进行了验证。通过计算受试者工作特征曲线下面积（Area Under the Receiver Operating Characteristic Curve，AUROC），评估了B型超声、AI算法或其组合的诊断性能。

结果：所开发的三种AI算法的受试者工作特征曲线下面积（0.955–0.966）高于B型超声（0.842，P < 0.0001）。AI算法在外部验证数据集上的AUROC（0.892–0.920）与测试数据集相似。在AI算法中，无论是否结合B型超声，所有性能指标均无显著差异。B型超声与AI算法相结合后的AUROC（0.963–0.972）高于B型超声（P < 0.0001）。B型超声与AI算法相结合，将BI-RADS 4A类病灶的假阳性率从87%显著降低至13%（P < 0.0001）。

结论：基于AI的微血流成像在乳腺癌诊断中的表现优于B型超声，可使BI-RADS 4A类病灶的假阳性诊断减少74%。

ISSN 0172-4614