人工智能（Artificial Intelligence，AI）已经融入了我们的日常生活，从人脸识别到智能驾驶，从AI写作到AI绘画，它在各个领域都显示出强大的能力。在医疗领域，AI 的应用尤为引人注目，特别是在医学影像方面展现出巨大的潜能。乳腺癌是全球女性最常见的恶性肿瘤之一，而超声检查是乳腺癌筛查的重要手段。AI可以帮助医生对乳腺结节判断， 正成为超声医生的重要助手。那么，AI 是如何帮助医生筛查乳腺癌的呢？

　　首先得了解医生是如何筛查乳腺癌。在传统的超声检查中，医生通常依据结节的形状、方向、边界、边缘、内部回声、后方回声6个特征，根据乳腺影像报告和数据系统（Breast Imaging Reporting and Data System，BI-RADS）进行分级。0级：评估不完全，需要其他影像学检查；1级：影像学检查未见异常；2级：影像学出现良性征象；3级：影像学提示良性可能性大；4级：影像学提示恶性程度大，分为4A恶性可能性为3~8%；4B恶性可能性为9~49%；4C恶性可能性为50~94%；5级：有3项或3项以上征象提示恶性，恶性可能性很高，大于等于95%；6级：已经穿刺或手术病理证实为恶性的病变。

　　乳腺结节的超声图像表现千变万化，图像特征需要医生结合多年经验进行综合判断，但主观性差异和疲劳可能导致漏诊或误诊。这正是 AI 能够介入的地方。

　　AI是如何帮助医生进行乳腺结节的分级？AI 的核心在于“学习”。通过训练大量标注好的乳腺超声图像，AI 能够“看懂”乳腺结节并辅助医生分级。首先AI 的训练需要大量的乳腺超声图像。这些图像可能来自不同医院的数据库，每张图像都由经验丰富的医生标注，包括结节位置、大小、良恶性等关键信息，这是一项繁琐而巨大的工作。接着就是数据预处理，超声图像可能存在噪声、分辨率不一等问题，AI 需要对图像进行预处理，包括去噪、标准化和增强。最后就是模型训练，AI 使用深度学习模型（如卷积神经网络，CNN）进行训练。CNN 的工作原理类似于“显微镜”，逐层扫描处理图像。卷积层：提取图像特征，从基本的边缘、纹理到复杂的病灶特征（如毛刺征、微钙化）。池化层：压缩特征，提高计算效率。全连接层：综合所有特征，最终输出结果。模型经过千万次的训练，直到能准确识别乳腺结节分级，达到我们理想结果（相当于有丰富经验的乳腺筛查超声医生水平），才算训练完成。

　　AI的优点也很明显。超高的准确率：AI 可以识别人眼难以察觉的微小病变，例如小于 3 毫米的结节，其检出率比人工高 15%。一致性和效率：AI 不受主观因素和疲劳影响，能够快速、稳定地分析大量图像。可扩展性：AI 能够不断学习最新数据，持续优化诊断能力。

　　我国在 AI 辅助乳腺超声筛查方面进展迅速。多家医疗机构和科技公司已经开始应用 AI 技术。这些系统通过训练覆盖亚洲女性特征的超声图像，显著提高了诊断的准确性和标准化程度。此外，国内已经开始在基层医疗机构推广 AI 辅助乳腺癌筛查，帮助缓解优质医疗资源短缺的问题。

　　尽管 AI 在乳腺超声筛查中表现出色，但它并不能完全取代医生的作用。AI 的优势在于快速分析海量数据、减少主观性差异和提高效率，但最终的诊断仍需医生的综合判断。医生需要结合患者的病史、临床表现以及 AI 的分析结果，才能做出准确的诊断。

　　此外，AI 的学习依赖于训练数据，而数据可能存在偏差或不完全性，现场采集的图像质量也可能影响AI的判断。因此，AI 的建议需要医生确认，以避免误判。同时，AI 的透明度尚需提升，医生需要了解 AI 结论的依据，以建立信任和提高诊断的科学性。

　　AI 在乳腺超声筛查中的应用正成为医学界的一大亮点。通过训练大量标注数据，AI 能够快速识别乳腺结节，提高诊断的准确性和效率。然而，AI 只是工具，最终的诊断权仍掌握在医生手中。医生的经验、判断力和人文关怀依然是医疗的核心。AI 与医生携手，将为乳腺癌筛查带来更高的精准度，为更多女性的生命健康保驾护航。

　　湘西土家族苗族自治州

　　妇幼保健院功能检查科  王呈