贾化平/编译，战略支援部队特色医学中心（原306医院），超声医学科
医研部医学科普中心 刘燕/崔彦 编辑
近年来，由于对高效客观获取和识别超声图像的需求日益增加，人工智能助力的超声影像更加成熟，趋近常规应用。
超声是一种操作者依赖性的成像模式，开发深度学习（DL）模型评估图像质量并向超声医生提供反馈就显得非常重要；在数据采集和测量过程中提供指导可使超声应用更加智能，并减少操作者依赖。Akkus等对深度学习在超声影像中的应用进行了综述，文章发表在美国放射学院杂志上（J Am Coll Radiol, 2019, 16:1318-1328）。
DL是机器学习（ML）和人工智能的一个子集，具有多层神经网络，可通过自学从原始输入图像中提取多层级的特征。图形处理单元处理能力的快速增长，可通过百万幅图像的训练开发出最先进的DL算法，对图像的变异具有鲁棒性。特别是最近DL在图像分割和分类应用中获得成功，从而流行起来。DL将数据分为培训集、验证集和测试集，当数据有限时，首选交叉验证方法。培训通常是通过有监督的方式完成，需要获得任务的真实数据。大多数DL应用都包含监督学习，DL模型在能提供真实数据标签或分割的图像数据集上进行训练。真实数据通常通过人工获取，由专家对分割任务的病变或结构进行描绘。比较DL性能的最佳方法是对每个应用程序在公认的真实数据集中进行评估。
近年来，研究人员提出基于DL的超声CAD系统。通过微调DL模型，从一个数据集获得的知识可以轻松地转移到从另一个中心另一个超声设备上获取的新数据集，称为迁移学习。基于DL的超声CAD系统已在甲状腺、乳腺、肝脏及胎儿等方面得以应用。虽然DL在超声影像的应用有了令人信服的结果，但AI助力的超声影像仍然远远落后于AI助力的CT和MRI，这是因为超声图像采集和解释方面，观察者内和观察者间都存在很高的变异性，多数DL在超声影像中的应用都是从单个医疗中心和单个超声设备获得的有限数据集上进行培训和评估的。
目前用于超声诊断的DL模型仅使用二维图像进行预测，然而二维图像的信息有限，不能完全代表病变。基于三维超声数据、具有多个病变视图的超声电影剪辑或时空数据训练的DL模型有潜在能力提高诊断准确性，并完整地认识病变。此外，开发基于多模式（二维灰阶、多普勒、超声造影和剪切波成像）图像的DL模型，这些图像可以相互提供补充信息，也可以提高DL模型诊断的准确性。
AI助力的超声影像系统能够评估多模态数据、指导超声医师并提供客观质控（例如，器官的标准视图和可接受的图像质量）、测量和诊断，不仅能辅助决策，而且还能改善超声临床工作流程并降低医疗成本。
（配图来源于网络）
,
