尝试构建1个基于深度学习的内镜超声检查(endoscopic ultrasonography，EUS)质量控制系统，并验证其价值。
方法从武汉大学人民医院消化内镜中心数据库中，回顾性收集2016年12月—2019年12月间的269个EUS检查资料，分为：(1)用于训练模型的训练数据集A，包含205个检查，其中16 305张图像用于分类训练，1 953张图像用于分割训练；(2)用于评估模型性能的测试数据集B，包含44个检查，其中1 606张图像用于分类验证，480张图像用于分割验证；(3)用于内镜医师与模型进行比较的数据集C，包含20个检查，共150张图像。EUS专家(具有10年以上的EUS操作经验)甲和乙通过讨论对训练集A和测试集B、C的所有图像进行分类和标注，其结果用作金标准。EUS专家丙和高年资EUS医师(具有5年以上的EUS操作经验)丁、戊对数据集C中的图像进行分类和标注，其结果用于与深度学习模型进行比较。主要观察指标包括分类的准确率、分割的Dice(F1指数)和一致性分析的Kappa系数。
结果在测试数据集B中，模型分类的平均准确率为94.1%，胰腺分割的平均Dice为0.826，血管分割的平均Dice为0.841。在数据集C中，模型的分类准确率达到90.0%，专家丙、高年资医师丁和戊分别为89.3%、88.7%和87.3%；模型的胰腺和血管分割Dice系数分别为0.740和0.859，专家丙分别为0.708和0.778，高年资医师丁分别为0.747和0.875，高年资医师戊分别为0.774和0.789，模型与专家的水平相当。一致性分析结果显示，模型与内镜医师之间达成了较好的一致性(Kappa系数分别为：模型与专家丙间0.823、模型与高年资医师丁间0.840、模型与高年资医师戊间0.799)。
结论基于深度学习的EUS分站和胰腺分割识别系统可以用于胰腺EUS的质量控制，具有与EUS专家相当的分类和分割识别水平。