解放军总医院介入超声团队：AI赋能增强超声，精准狙击肝内胆管癌

近日，解放军总医院介入超声科梁萍、于杰团队联合中国科学院自动化研究所，在肝内胆管癌（iCCA）诊断领域交出重磅成果 —— 其研发的基于增强超声（CEUS）的深度学习模型，成功实现肝内胆管癌的精准识别与高效诊断。相关研究于 2025 年 11 月 14 日发表于国际权威期刊《Radiology: Imaging Cancer》（影响因子 6.2，JCR 2 区），为临床破解肝内胆管癌诊断难题提供了全新技术方案。

直击临床痛点：团队锚定 “经验依赖型诊断” 困境

作为恶性程度极高的原发性肝癌，肝内胆管癌占比达 10%-15%，且近年来发病率持续攀升。该病病程进展迅猛，能否实现早期精准诊断，直接决定患者治疗方案的有效性与预后改善空间。然而，临床诊断中面临两大核心难题：一是肝内结节类型复杂，鉴别难度大；二是传统增强超声诊断高度依赖医生经验，主观解读差异易导致漏诊、误诊，尤其对中初级医生而言，诊断准确性难以保障。

针对这一临床痛点，解放军总医院介入超声梁萍、于杰团队凭借多年在超声诊断与肿瘤诊疗领域的深厚积累，牵头启动多中心联合研究，致力于通过人工智能技术打破 “经验依赖” 瓶颈，让肝内胆管癌诊断更精准、更普惠。

多中心数据奠定研究基石

团队牵头整合全国 51 家医院的增强超声检查数据，严格遵循 “1cm 以上明确实性结节、病理证实、无治疗史且术前 1 月内完成 CEUS” 的纳入标准，最终形成三大核心数据集：1148 例（含训练集 804 例、验证集 344 例）用于模型构建，153 例（2 家独立中心）作为测试集 A 开展算法性能对比，240 例（51 家中心）作为测试集 B 验证模型与医生诊断的差异 —— 这也是目前全球规模最大的肝内胆管癌增强超声数据集，为模型泛化性提供坚实支撑。

四维技术架构破解诊断难点

梁萍、于杰团队创新设计深度学习模型框架，通过四大核心模块协同实现精准诊断：

1. 时序分段网络：作为模型“backbone”，高效捕捉增强超声视频的时序特征，清晰还原不同时间点的影像动态变化；

2. 灌注感知选择模块：依据 CEUS LI-RADS 指南与时间 - 强度曲线，精准筛选 8 个诊断关键帧 —— 既避免冗余数据干扰，又完整保留核心诊断信息，平衡效率与精度；

3. 部分偏移模块：针对性解决超声检查中探头移动导致的关键帧位移问题，确保影像特征提取的稳定性；

4. 空间特征提取模型：对比测试 BNInception、MobileNet-v2、ResNet-50、VGG-19 四种主流模型，最终选定ResNet-50作为核心组件，其对影像细节的识别能力最优。

引领诊疗变革：从 “实验室” 走向 “临床一线”

梁萍、于杰团队的这项研究，不仅是技术层面的突破，更具备深刻的临床价值与社会意义：

降低漏诊风险：模型高灵敏度特性可大幅减少肝内胆管癌漏诊，为患者争取 “早发现、早治疗” 的黄金时机；

推动优质资源下沉：模型操作便捷、适配性强，无需依赖高端设备或顶尖专家，可快速在基层医疗机构推广，缓解优质医疗资源分布不均问题；

奠定行业标准：团队建立的大规模数据集与基于指南的关键帧筛选策略，为肝内胆管癌增强超声 AI 诊断研究提供了可参考的 “行业范式”。

作为介入超声领域的领军者，此次成果是团队在医学影像人工智能领域的又一重要实践。未来，团队将持续推进技术转化，让 AI 诊断工具更快落地临床，为更多肝内胆管癌患者守护生命健康。

参考文献：

Ding W, Li B, Zhao L, Zheng L, Li X, Liu S, Yu J, Liang P. Improving Detection of Intrahepatic Cholangiocarcinoma with a Contrast-enhanced US-based Deep Learning Model. Radiol Imaging Cancer. 2025 Nov;7(6):e250078.