首页 > 陆军军医大学学报 > 一种可显著提升初级超声医师诊断准确性与效率的深度学习模型:基于YOLOv13的腹部超声异常实时识别系统开发与验证

一种可显著提升初级超声医师诊断准确性与效率的深度学习模型:基于YOLOv13的腹部超声异常实时识别系统开发与验证

A deep learning-based model for significantly enhancing diagnostic accuracy and efficiency in novice sonographers:development and validation of a YOLOv13-powered real-time abdominal ultrasound anomaly detection system

二维码有效期 120s

摘要目的开发并验证一种基于腹部超声影像的深度学习模型,用于17类常见腹部异常的实时识别与定位,为基层超声诊断提供可靠技术支撑.方法回顾性收集陆军军医大学第二附属医院超声科2017年1月至2024年9月腹部异常患者18 947例共39 530幅B型超声图像.按异常类别分层随机抽取1 891幅图像构建独立测试集;剩余的37 639幅图像按7∶1∶2比例随机划分为训练集(26 258幅)、验证集(3 840幅)及内部测试集(7 541幅).经标准化标注后,在内部测试集上对比RetinaNet、Faster R-CNN、RT-DETR及YOLOv13这4种主流目标检测网络的性能,筛选最优模型;评估指标包括交并比(intersection over union,IoU)、精确率(precision)、召回率(recall)、F1值(F1)及平均精度均值(mAP@50);在独立测试集上,进一步比较4种诊断模式的诊断效能(最优模型、3名无标注经验的初级超声医师、3名中级超声医师及模型辅助下初级医师).结果内部测试集上,YOLOv13模型表现最优,mAP@50为0.653(95%CI:0.608～0.669),高于RetinaNet(0.546,95%CI:0.511～0.563)、Faster R-CNN(0.578,95%CI:0.531～0.591)及RT-DETR(0.627,95%CI:0.585～0.643);其精确率为 0.633(95%CI:0.624～0.643),召回率为0.715(95%CI:0.704～0.725),F1值为0.671(95%CI:0.663～0.681);独立测试集上,IoU为0.5时,6名医师的F1 值均值为0.57(初级组:0.484,中级组:0.656);YOLOv13模型的F1 值为0.624,显著高于所有初级医师(P＜0.001).模型辅助后,初级医师的F1值均值从0.484提升至0.644(提升33.1%,P＜0.001),接近中级医师水平;平均精确率从0.529提升至0.638(提升20.6%),平均召回率从 0.472 提升至 0.674(提升 42.8%),平均诊断耗时从 213.33 min缩短至 161.33 min(缩短24.4%).结论 YOLOv13深度学习模型在17类腹部异常超声检测中表现最优,能显著提升初级超声医师的诊断效能,可作为基层及社区医院腹部超声筛查的辅助工具.