三星医疗全新版块：沙场点兵，今天与大家见面了！沙场点兵旨在与三星医疗的粉丝分享驱动行业发展的知识创新、技术创新和产品创新，相应的临床应用、价值交流。逐一探讨，细细数之，为始终奋斗在超声诊断前线的白衣天使们提供一方赏析、交流的场所。
本次我们要介绍的一篇论文是由石河子大医院超声诊断科李军教授（第一作者）团队和华中科技大学同医院超声影像科崔新伍教授（通讯作者）团队合作的一篇关于人工智能S-Detect技术在乳腺肿块鉴别诊断中应用的系统综述和Meta分析。
本文的研究聚焦于S-Detect技术——基于深度学习的人工智能辅助诊断工具，它基本可以实现超声形态学自动勾勒和描述，允许以两种形式（可能是良性或恶性）对乳腺病变进行分类，为超声医生的最终诊断提供参考信息。那么这个技术在众多不同研究角度的文献中是如何被评估的？本文从严谨的统计学基础上系统的回顾了其对行业的意义。
摘要
目的：探讨乳腺超声（US）中S-Detect（一种利用深度学习的计算机辅助诊断系统）对乳腺良恶性肿块的鉴别诊断价值。
材料与方法：通过文献检索，选择S-Detect鉴别诊断乳腺肿块的相关研究。采用诊断性试验质量评价（QUADAS）量表对纳入研究的质量进行评估。两位作者独立搜索了文章并评估了报告的合格性。
结果：共有10项研究纳入meta分析。敏感性和特异性的联合估计值分别为0.82（95%CI:0.77-0.87）和0.86（95%CI:0.76-0.92）。此外，诊断优势比、阳性似然比和阴性似然比分别为28（95%CI:16-49）、5.7（95%CI:3.4-9.5）和0.21（95%CI:0.16-0.27）。曲线下面积为0.89（95%CI:0.86-0.92）。未观察到明显的发表性偏倚。
结论：S-Detect对乳腺良恶性肿块的鉴别诊断具有良好的诊断价值，可作为常规超声的有益补充。
研究选择：
在对候选研究进行筛选后，确定了进一步鉴定的标准。如果满足以下纳入标准，则研究将被纳入该Meta分析：
1、评估S-Detect诊断准确性的研究；
2、乳腺良恶性肿块的诊断应通过组织病理学检查予以确认；
3、单独应用该技术的诊断准确性数据信息包括真阳性（TP）、假阳性（FP）、真阴性（TN）、假阴性（FN）应被提供或可以通过计算获得；
4、临床研究应获得每个研究对象的知情同意，并获得当地伦理委员会的批准。
此外，研究将会被排除如果符合下面的标准：
1、研究没有提供足够的数据来计算TP、FP、TN和FN参数，或仅获得该技术与医生联合诊断的结果；
2、研究包含重复数据；
3、未经当地伦理委员会批准或未获得所有受试者知情同意的研究。
相关研究由两名研究人员根据标题、摘要或全文独立筛选，有关研究选择的任何异议均通过讨论全文解决。
根据QUADAS-2检查表的方法学评估，纳入研究的质量被判定为高（下图）。纳入研究的大多数质量评估项目具有较低的偏差风险
文章将对S-Detect技术鉴别乳腺良恶性肿块的准确性评估分为以下几方面：
S-Detect技术鉴别乳腺良恶性肿块的集合敏感性（PSEN）和集合特异性（PSPE）分别为0.82（95%CI:0.77-0.87）和0.86（95%CI:0.76-0.92）。
除了阈值效应外，其他因素可能导致纳入研究之间的异质性，在本文中采用元回归分析。
灵敏度分析采用了逐项剔除文献的方法；而对Fagan图的分析表明，S-Detect能提供有关患者病情的有用信息。
文章讨论部分指出：
1、乳腺肿块的样本量可能是异质性的一个原因。
2、临床上初步评估有50%的乳腺癌几率的患者，如果S-Detect阳性，该患者患乳腺癌的可能性从50%增加到85%。提高诊断效能被认为是其良好的性能。相比之下，如果S-Detect结果为阴性，那么该患者患乳腺癌的概率为17%，这有更大地把握排除乳腺癌。
3、5项研究比较了不同工作经验医生和使用S-Detect的放射科医生对乳腺肿块诊断的准确性，结论是S-Detect对年轻放射科医生特别有帮助。
结论：在此研究基础上，我们获得了可靠的证据，证明人工智能技术在超声领域的应用发展迅速，S-Detect技术正成为传统超声在临床实践中的有益补充，特别是对于缺乏经验的医生。同时，该分析可作为进一步研究S-Detect技术的基础。