摘要目的:构建颈动脉斑块超声图像分类数据集，构建一种甄别颈动脉斑块稳定性的双输入BCNN-ResNet深度学习模型，探讨双输入BCNN-ResNet模型对颈动脉斑块稳定性自动分类及诊断的效能。方法:收集2021年1月至2023年3月在上海市第八人民医院、大连大学附属新华医院接受颈动脉超声检查者493例。由4名超声科医师观察颈动脉斑块声像图，经综合评判后选取颈动脉稳定斑块超声图像352张，易损斑块超声图像691张，构建共包含1043张颈动脉超声图像的数据集。使用ResNet-50模型作为基础模型，第一个ResNet-50网络输入斑块结构图像，提取结构特征；第二个ResNet-50网络输入裁剪后的斑块图像，获取像素特征，融合两组特征构建一个双输入BCNN模型。通过对图像进行分类监督学习的训练、内部验证和外部验证，比较新构建双输入BCNN-ResNet-50模型与ResNet-34、ResNet-50、ResNet-101、单输入BCNN-ResNet-34、双输入BCNN-ResNet-34、单输入BCNN-ResNet-50模型对颈动脉斑块稳定性的分类诊断效能。应用ROC曲线下面积、敏感度、特异度、准确性、真阳性、假阳性等指标评估模型的诊断效能。结果:ROC曲线结果显示，双输入BCNN-ResNet-50模型对超声颈动脉斑块稳定性分类诊断的曲线下面积（AUC）为0.896。单输入BCNN-ResNet-50模型AUC为0.878，而ResNet-34、ResNet-50、ResNet-101、单输入BCNN-ResNet-34、双输入BCNN-ResNet-34模型AUC分别为0.857、0.860、0.859、0.864、0.868。双输入BCNN-ResNet-50模型对于颈动脉斑块的稳定性数据集分类及诊断的效能明显优于其他模型。结论:双输入BCNN-ResNet模型可以自动甄别超声颈动脉斑块稳定性，此算法优于以往诊断模型，为后续临床颈动脉斑块稳定性筛查应用提供了技术参考。