近日，复旦大学未来信息学院他得安教授团队联合兰州大学第二医院，四川大学华西医院等多家单位，在医学影像人工智能领域国际顶级期刊《Radiology: Artificial Intelligence》(IF=20.1) 发表题为“Deep Learning Analysis of Dual-Modality US Videos for the Characterization of Superficial Lymphadenopathy”的研究成果。研究提出了一种融合灰阶超声与彩色多普勒血流成像视频的深度学习诊断模型DMUVL-DiagNet，实现了浅表淋巴结病变的良恶性鉴别及恶性病变亚型区分，为超声人工智能辅助诊断提供了新方法。朱阳阳博士和曹冉博士生为共同第一作者，他得安教授和聂芳教授为共同通讯作者。

浅表淋巴结肿大是临床常见表现，其病因涉及炎症、感染、淋巴瘤及恶性肿瘤转移等。准确区分良恶性病变，并进一步鉴别淋巴瘤与转移性淋巴结，对于临床治疗方案制定具有重要意义。传统超声主要依赖医师对淋巴结形态、内部回声及血流分布等特征进行综合判断，诊断结果容易受到操作者经验的影响。现有超声人工智能研究多依赖静态图像，对动态血流信息的利用相对有限。针对上述问题，研究团队将深度学习与动态双模态超声成像相结合，构建了DMUVL-DiagNet智能诊断模型。该模型采用CNN与Transformer并行架构，分别提取超声图像的局部结构和全局特征，并通过时空上下文编码模块捕捉连续视频中的动态变化。同时，研究引入模态特征解耦与融合机制，充分利用灰阶超声提供的组织形态信息和彩色多普勒提供的血流分布信息，实现对浅表淋巴结病变的分层诊断。

图1.本研究概览。（a）浅表性淋巴结肿大（LA）的真实世界临床决策场景。（b）数据收集与处理流程。（c）DMUVL-DiagNet模型的架构与开发。（d）模型评估的临床测试流程。

研究共纳入来自全国5家医疗中心的4026例经病理证实的浅表淋巴结病变患者，采用回顾性双模态超声视频进行模型开发，并通过前瞻性超声视频及静态超声图像数据开展测试验证。结果显示，DMUVL-DiagNet在不同测试集中的良恶性鉴别受试者工作特征曲线下面积（AUC）达到 0.91-0.95，淋巴瘤与转移性淋巴结鉴别AUC达到 0.87-0.91，表现出良好的诊断性能。

图2. 本研究患者筛选流程图。

图3. 临床模型、DL_F和DMUVL-DiagNet在训练队列及验证队列中完成任务I和任务II的诊断性能。（a，c）任务I［良性与恶性鉴别，图a］和任务II［恶性亚型分类，图c］的受试者工作特征曲线（ROC）。（b，d）雷达图汇总任务I（图b）和任务II（图d）的主要性能指标。每个分图（a–d）均包含4个子图，分别对应训练队列、内部验证队列和两个外部验证队列。

为进一步评估模型的临床辅助价值，研究团队邀请8名不同年资的超声医师开展AI辅助诊断实验。结果显示，AI辅助能够改善不同经验水平医师的诊断表现，其中低年资医师受益最为明显：良恶性鉴别AUC由0.72提升至0.88，淋巴瘤与转移性淋巴结鉴别AUC由0.58提升至0.77，均具有统计学意义。

图4. 外部验证队列1中AI辅助诊断阅片研究的结果。

此外，通过模型特征重建与时空注意力可视化分析，研究发现模型能够分别关注灰阶超声中的病变边缘、内部回声，以及彩色多普勒视频中的动态血流分布，进一步展现了双模态超声信息在智能诊断中的互补价值。

图5. DMUVL-DiagNet模型的可解释性可视化分析。

研究将人工智能分析由传统静态超声图像拓展至双模态动态视频，为浅表淋巴结病变的无创风险分层和辅助诊断提供了新的技术路径。相关成果有望降低超声诊断对医师经验的依赖，提升诊断一致性，为人工智能技术与临床超声工作流程的深度融合提供研究基础。

论文信息

论文题目：Deep Learning Analysis of Dual-Modality US Videos for the Characterization of Superficial Lymphadenopathy

论文链接：https://doi.org/10.1148/ryai.260131