在美国，将机器学习技术应用于肺超声图像，能够精准识别患有系统性硬化症和特发性炎症性肌病等结缔组织病的患者是否患有间质性肺病。这一创新方法有望改善医生和放射科医师的诊断解读能力，从而提升早期检测效率并优化临床决策流程。
深度学习模型展现卓越诊断性能
在评估的多种模型中，VGG-16（Visual Geometry Group 16）在患者层面的诊断表现最为优异。该模型实现了0.972的曲线下面积（AUC），敏感度高达97.4%，特异度为92.6%。基于人工智能的预测结果与肺功能测试以及计算机断层扫描（CT）衍生的疾病严重程度指标之间显示出强相关性。这表明，这些模型不仅能检测出间质性肺病的存在，还能有效反映其临床严重程度。
可解释性AI揭示关键病理特征
为了更深入地理解模型的决策逻辑，研究引入了可解释性人工智能方法。通过梯度加权类激活映射（Grad-CAM），研究人员识别出了影响预测结果的关键区域。研究发现，胸膜异常是驱动间质性肺病检测的核心特征。即使传统的B线标志物不够明显时，这些特征依然具有极高的信息价值。这种可解释性的引入，有望增强临床医生对人工智能辅助解读结果的信心。
弥补高端影像资源短缺短板
总体而言，该模型的诊断性能与基于专家经验的超声解读标准相当，在某些情况下甚至更优。将人工智能与肺超声相结合，具有提高诊断准确性和及时性的巨大潜力。这种方法在难以获得计算机断层扫描等先进影像设备的场景中，可能带来特别显著的益处。通过降低对高端硬件的依赖，基层医疗机构也能获得接近专家水平的诊断支持。
注：我们致力于打击医疗虚假信息。如果您遇到可疑的健康、医学或医学教育声明，请发送电子邮件至factcheck@medicaldialogues.in进行评估。
中国医疗影像领域正加速推进“AI+超声”的落地应用。肺超声因其无辐射、便携及可重复性强等特点，在呼吸科和风湿免疫科的应用日益广泛。国内企业应借鉴此类研究思路，重点开发针对特定病种（如尘肺、间质性肺炎）的专用算法，并强化模型的可解释性以符合临床监管要求。同时，结合中国基层医疗资源分布不均的现状，优化轻量化模型部署，有助于在县域医院快速普及精准诊断能力，提升整体医疗服务效率。