摘要目的 分析深度学习模型YOLOv5技术辅助不同年资超声医师诊断BI-RADS 4类乳腺结节的诊断效能.方法 选取2023年8月-2024年10月在大连大学附属中山医院行乳腺超声检查的可疑乳腺恶性病灶患者100例(135例结节),按照乳腺影像报告和数据系统(US BI-RADS)分类标准,以组织病理学为金标准,由3名不同年资超声医师和人工智能技术对乳腺结节进行良恶性评估并分析不同年资医师联合人工智能技术诊断乳腺结节的诊断效能.结果 135个结节中,BI-RADS 4 A类76个、4B类41个、4C类18个;经病理证实恶性57个、良性78个.以病理组织学结果为金标准,YOLOv5模型诊断乳腺结节的敏感度、特异度、准确度、曲线下面积(AUC)均高于低年资医师,差异有统计学意义(P＜0.05);敏感度、准确度低于高年资医师与中年资医师,差异有统计学意义(P＜0.05).不同年资医师联合YOLOv5技术诊断后,低年资医师组敏感度由64.91％提升至80.70％、准确度由65.18％提升至74.81％、特异度由65.38％提高至70.51％,AUC由0.618提升至0.782(P＜0.001);中年资医师组敏感度由80.70％提升至91.22％、准确度由77.03％提升至80.74％、AUC由0.767提升至0.872(P=0.013);高年资医师组敏感度、准确度、特异度、AUC差异无统计学意义(P=0.679).各亚型分析显示,联合诊断对4A类结节的辅助效能最为突出,低年资医师组4A类结节诊断准确度由59.21％提升至71.05％,中年资医师组由73.68％提升至82.89％.结论 YOLOv5深度学习模型辅助诊断可显著提升低年资与中年资医师对BI-RADS 4类乳腺肿块的鉴别诊断能力,尤其对4A类结节的辅助价值最为突出,有助于减少不必要的穿刺活检与手术.