截止2021年,乳腺癌的发病率已超过肺癌,成为全球发病率最高的癌症。随着经济的建设与社会的发展,相比于2018年全球癌症死亡率统计,乳腺癌所致死亡率有所降低,这除了治疗水平的提升之外,肿瘤的早期诊断也起到了重要的作用。超声作为轻便的影像检查方法,对乳腺组织成像良好,短期内可以重复检查,大众接受度高。但超声检查对操作者的依赖性较高,且需要医生在短时间内对病灶进行快速判断,因此对操作者知识储备和经验水平带来了挑战。近年来,人工智能在影像医学中的应用备受关注。卷积神经网络作为人工智能深度学习中最成熟的方法之一,可以自动提取图片中最有效分类的信息,建立有效的分类模型,通过从图像到结果完成端到端学习,达到智能诊断的效果。Efficient Net作为一种高效性的卷积神经网络,在医学生物图像识别、医学病理图像识别以及医学影像图像中的识别都有应用,且取得了较好的研究结果。本研究主要探讨基于Efficient Net改造的DE-Light深度学习框架在乳腺超声中的应用价值。通过应用以DE-Light深度学习框架为原理的乳腺人工智能超声诊断系统,对443例乳腺超声图像进行识别,计算诊断效能评价指标,即灵敏度、特异度、Youden指数及曲线下面积等。通过将这些指标与医师组,包括2名高年资医师及2名低年资医师的诊断结果作对比,判断基于Efficient Net的乳腺超声人工智能诊断系统对乳腺良恶性肿瘤的诊断能力。研究分别采用了两种阳性指标,一种为BI-RADS4A类及以上视为阳性,一种为BI-RADS 4B类及以上视为阳性。结果显示,基于Efficient Net的乳腺超声人工智能诊断系统的灵敏度、特异度、Youden指数及曲线下面积最高时分别为88.62%、78.10%、0.553、0.830。医师组的诊断灵敏度、特异度、Youden指数及曲线下面积最高时分别为92.68%、89.38%、0.3486、0.674。另外,选择不同的阳性指标,即BI-RADS 4A类以上或4B类及以上时,会对各组诊断效能有影响,但对AI组和医师组之间的差异没有影响。结论,基于DE-Light深度学习框架的人工智能诊断系统在乳腺超声中的诊断效能接近甚至超过高年资医师,在乳腺超声中的应用有较高的价值。