AI增强超声筛查策略显著提升肝细胞癌诊断效能并降低54.5%放射科医生工作量——一项21,934张超声图像的多中心研究

本研究针对肝细胞癌(HCC)超声筛查中诊断准确率与放射科医生工作负荷的双重挑战，开发了UniMatch病灶检测和LivNet分类的AI系统。通过四类人机交互策略测试，发现策略4（AI初筛+放射科医生复核阴性病例）在保持高灵敏度(0.956)的同时提升特异性(0.787)，减少54.5%工作量，降低假阳性率和召回率，为临床实践提供了优化方案。

肝细胞癌(HCC)作为全球第三大癌症死因，早期筛查至关重要。然而传统超声筛查面临双重困境：一方面存在诊断准确性瓶颈，可能遗漏小病灶；另一方面随着筛查普及，放射科医生面临日益沉重的工作负荷。这种矛盾在中国等肝病高发地区尤为突出，如何平衡筛查效率与质量成为临床迫切需求。

中山大学附属第一医院联合国内7家医疗中心的研究团队在《npj Digital Medicine》发表突破性研究，通过开发UniMatch病灶检测和LivNet分类两大AI模型，系统评估了四种人机协作策略在21,934张超声图像中的表现。这项回顾性多中心研究创新性地证明：当采用AI初筛结合放射科医生复核阴性病例的策略时，不仅能维持与传统方法相当的灵敏度(0.956 vs 0.991)，还将特异性从0.698提升至0.787，同时减少54.5%的工作量，显著降低假阳性和召回率。

关键技术方法包括：1) 基于17,913张图像的半监督分割模型UniMatch开发；2) 融合ConvNeXt、CSWinTransformer和Hiera架构的LivNet分类系统；3) 创新的两阶段标记清除算法；4) 来自8个中心的11,960例患者数据验证；5) 四种人机交互策略的量化比较。

【模型性能】

UniMatch在测试集展现0.941灵敏度和0.833特异性，AUC达0.887；LivNet在0.2阈值下取得0.891灵敏度和0.783特异性。标记清除处理使模型性能更接近真实临床场景。

【策略比较】

策略4（AI检测+放射科复核）表现最优：保持非劣效灵敏度(0.956)同时实现特异性优势(0.787)，工作量减少54.5%，召回率从0.694降至0.636，假阳性率从0.302降至0.213。

【不确定性分析】

策略4的香农熵分析显示，相比纯AI策略能减少诊断错误的过度自信，在确定性决策中错误率仅7.96%，显著低于策略1的10.33%。

【亚组分析】

对<1cm小病灶，策略4灵敏度达0.833，优于其他策略；对≥1cm病灶灵敏度达0.957，验证了模型对不同尺寸病灶的适应性。

这项研究首次系统评估了AI在HCC超声筛查中的整合策略，证实人机协作不仅能提升诊断效能，还可大幅缓解医疗资源压力。策略4通过AI初筛和放射科针对性复核的"双保险"机制，既避免了纯AI系统的漏诊风险，又显著降低不必要召回。特别值得注意的是，该方案对医疗资源相对匮乏地区具有重要价值，其54.5%的工作量降幅意味着可筛查人口的大幅扩展。研究提出的多专家混合融合架构和不确定性量化方法，为医疗AI的可信部署提供了新范式。未来需通过前瞻性研究验证其临床效益，并探索在放射科医生直接操作超声场景下的适用性调整。