上肢关节（腕关节、肘关节、肩关节）肌骨超声基本切面实操讲解视频，每个关节包括6个切面，分别如下：

腕关节切面1：腕背侧腔室Lister结节定位切面

腕关节切面2：尺侧腕伸肌腱短轴切面

腕关节切面3：第1和第2腔室伸肌腱切面

腕关节切面4：腕管正中神经短轴切面

腕关节切面5：手指屈肌腱长轴切面

腕关节切面6：手指屈肌腱短轴切面

肘关节切面1：伸肌总腱长轴切面

肘关节切面2：屈肌总腱长轴切面

肘关节切面3：尺侧副韧带前束长轴切面

肘关节切面4：正中神经短轴切面

肘关节切面5：桡神经短轴切面

肘关节切面6：尺神经短轴切面

肩关节切面1：肱二头肌肌腱短轴切面

肩关节切面2：肩胛下肌腱长轴切面

肩关节切面3：冈上肌腱长轴切面

肩关节切面4：冈上肌腱短轴切面

肩关节切面5：冈下肌腱长轴切面

肩关节切面6：关节后隐窝切面

目的

探讨基于超声的深度学习列线图预测乳腺癌新辅助化疗（NAC）后腋窝淋巴结（ALN）状态的价值。

方法

回顾性选取2020 年3 月至2023 年6 月在南京医科大学第一附属医院（训练集，n=257）和解放军东部战区总医院（外部测试集，n=157）接受NAC 的414 例ALN 转移的乳腺癌患者，并根据NAC 后ALN 手术病理结果分为病理完全缓解（pCR）组和非病理完全缓解（npCR）组。使用NAC 前的乳腺肿瘤二维超声图像训练并构建基于ResNet50 架构的深度学习模型；通过单因素和多因素Logistic 回归分析临床病理特征，筛选出与NAC 后ALN 病理状态有关的独立危险因素，构建临床模型；联合独立危险因素与深度学习预测概率构建深度学习列线图。利用受试者工作特征（ROC）曲线、校准曲线、决策曲线分析、临床影响曲线评估模型性能。由2 位不同年资超声医师根据超声图像及NAC 前免疫组化结果对外部测试集进行独立预测，并在深度学习列线图的辅助下进行第二次预测，比较分析两次预测结果。

结果

临床病理资料中，雌激素受体（ER）和人表皮生长因子受体2（Her-2）是预测NAC 后ALN 病理状态的独立危险因素。临床模型、深度学习模型和深度学习列线图的曲线下面积（AUC）在训练集中分别为0.724、0.872、0.878，在外部测试集中分别为0.698、0.831、0.859。深度学习列线图的预测效能优于临床模型（训练集、外部测试集中P 值均＜0.001），且在外部测试集中其优于深度学习模型（P=0.024）。医师1（低年资）和医师2（高年资）独立判断的AUC 值分别为0.570、0.606，均低于深度学习模型和深度学习列线图（P 均＜0.001）。在深度学习列线图的帮助下，医师1 和医师2 的诊断能力AUC 分别提升至0.796 和0.807，与独立判断比较，差异均有统计学意义（P 均＜0.001）。

结论

基于NAC 前超声图像的深度学习列线图可以在治疗前有效预测乳腺癌NAC 后ALN 病理状态，为个性化治疗方案的制定提供更多依据。

下肢关节（踝关节、膝关节、髋关节）肌骨超声基本切面实操讲解视频，每个关节包括6个切面，分别如下：

踝关节切面1：踝关节前隐窝切面

踝关节切面2：内踝踝管切面

踝关节切面3：内踝胫距后韧带切面

踝关节切面4：外踝距腓前韧带切面

踝关节切面5：跟腱长轴切面

踝关节切面6：足底跖腱膜长轴切面

膝关节切面1：髌上囊和股四头肌腱长轴切面

膝关节切面2：髌腱长轴切面

膝关节切面3：内侧副韧带长轴切面

膝关节切面4：股二头肌腱长轴切面

膝关节切面5：外侧副韧带长轴切面

膝关节切面6：腘窝短轴切面、腓肠肌内侧头与半膜肌腱间滑囊

髋关节切面1：梨状肌长轴切面

髋关节切面2：臀下坐骨神经短轴切面

髋关节切面3：坐骨结节腘绳肌腱短轴切面

髋关节切面4：股骨大转子短轴切面

髋关节切面5：髋关节前隐窝长轴切面

髋关节切面6：股外侧皮神经短轴切面

本文结合北京大学第三医院男性生殖超声的实践经验及欧洲泌尿生殖放射学会最新指南，系统探讨了男性生殖超声的质量控制要点。男性生殖超声聚焦于男性不育症的诊断，需重点关注解剖结构异常及生精-输精通路病变，与常规阴囊超声（侧重肿瘤、炎症等）存在显著差异。文中详细阐述了男性生殖超声的检查规范，包括设备参数设置、探头选择（高频线阵探头为主）、标准化扫查方案（阴囊、阴茎及经直肠前列腺扫查），以及二维超声、彩色多普勒超声和频谱多普勒超声的留图要求（如睾丸体积测量、精索静脉曲张评估、勃起功能障碍试验等）。同时，提出了具体的图像与报告标准化建议，强调通过科学质量控制提升诊断准确性，满足生殖专科临床需求。本研究为优化男性生殖超声检查流程、减少漏诊误诊提供了实践指导，具有重要的临床参考价值。

目的

对来源于中国胎儿超声筛查大数据的胎儿室间隔缺损（VSD）发病率、相关特征及随访结果进行分析。

方法

于2011 年1 月1 日至2013 年12 月31 日在接受规范产前超声培训并取得产前诊断资质的医院进行胎儿先天性心脏病（CHD）的调查。全国31 个省、自治区、直辖市92 家医院759 名医师参与本研究项目。依据相关实践指南规范以及逐级转诊标准进行胎儿心脏筛查，采用项目组开发的“数据调查软件”系统录入上传CHD 胎儿及母亲的数据信息。对产前筛查数据中的VSD 相关数据进行汇总分析，得出VSD 发病率，对VSD 相关特征及随访结果进行分析。

结果

本项目共计2 452 249 名孕妇接受了胎儿超声筛查，诊断CHD 18 171 例。本研究完成的筛查病例中，诊断为VSD 的胎儿有4345 例（4345/18 171，23.9%）。VSD 发病率为17.72/万（4345/2 452 249，95%CI：17.20 ～18.25），在36 种CHD 亚病种中发病率最高。将全国31 个省、自治区、直辖市分为6 个区域，发病率最高的是东部地区（20.59/万，854/414 815），发病率最低的是西北地区（8.85/万，109/123 189），各区域发病率差异存在统计学意义（χ²=166.71，P＜0.01）。4345 例VSD 病例中，单一VSD 3171 例，占比72.98%（3171/4345），合并心外畸形的共1015 例，占比23.36%（1015/4345）。合并心外畸形的类型排在前三位的依次为中枢神经系统畸形427 例，单脐动脉及脐带囊肿241 例，颅面部畸形219 例。共534 例VSD 胎儿完成了染色体检测，发现142 例（142/534，27%）染色体异常，其中最常见的为21-三体综合征31 例、18-三体综合征59 例。随访4345 例VSD 胎儿，出生2835 例，终止妊娠674 例，失访836 例。最终诊断与产前超声诊断的符合率为89.60%（3144/3509）。

结论

本研究获得了中国VSD 的发病率及全国6 个区域的地区发病率，以及VSD 合并心外畸形的病种、染色体异常发生率、生后随访与诊断符合率，为深入开展胎儿VSD 研究提供了基础数据支持。

目的

探讨人工智能深度学习算法在胎儿心脏11 个标准切面质量控制中的应用价值。

方法

选择7 家医院胎儿超声心动图检查病例图片，筛选其中妊娠20 ～34 周的胎儿心脏图像共35 331 张。根据胎儿心脏检查超声指南推荐需要留存的11 个胎儿心脏切面，提出一种融合Transformer 技术（深度学习的架构之一）的心脏切面自动质量控制方法对胎儿心脏图像进行质量控制。以专家团队评定的结果为标准，将收集到的胎儿心脏图像分为数据集A 和数据集B，分别包含24 000、11 331 张图像。数据集A 用于深度学习模型训练，数据集B 则分别用于深度学习预测以及2名具有5 年超声心动图检查经验的医师进行人工质量评估。采用平均精度（AP）值作为核心统计指标评估模型性能。

结果

融合Transformer 技术的心脏切面自动质量控制方法对于胎儿心脏切面解剖结构识别的AP 值达到了0.885，可以准确识别胎儿超声心动图需要留存切面常用解剖结构。深度学习模型识别胎儿心脏超声图像平均时长为0.028 s/张，而2 名超声医师识别的平均时长为3.77 s/张，使用基于深度学习的方法评估胎儿心脏超声图像质量的速度是医师人工评估的134.6 倍。

结论

运用深度学习模型对胎儿心脏超声切面进行质量控制可以达到专家判定的水平并节省了时间。

【视频简介】超声医学作为临床诊疗的“可视化听诊器”，其质量控制（简称质控）体系正从传统图像评价向覆盖设备校准、操作规范、诊断标准及报告追溯的全流程管理转变。然而，基层操作差异、多模态数据整合不足以及人工审核滞后仍是主要挑战。

人工智能（artificial intelligence，AI）技术的融合为解决这些问题带来了突破。在诊断环节，AI 驱动的标准切面识别技术显著提升了图像获取的准确性和规范性，可有效辅助基层医师；多模态病灶分析系统则优化了甲状腺结节、卵巢肿瘤等疾病的鉴别能力，减少了不必要的穿刺和转诊。在质控流程方面，结构化报告智能审核提升了诊断一致性和效率；实时操作监控系统能即时纠正探头轨迹等操作偏差；多模态数据融合分析也提升了疾病诊断的特异性。此外，国家级AI 质控平台通过整合多中心数据，有效提升了产科筛查等场景的图像质量和达标率，并推动了乳腺超声等领域的基层诊断规范化；针对盆底超声、胎儿畸形筛查等单病种的质控也实现了精准化提升。

然而，AI 超声质控的广泛应用仍面临模型适应性、设备兼容性、医师角色适应、数据隐私安全及系统可解释性等挑战。应对策略包括增强模型适应性、推动标准化、建立人机协同机制以及加强安全保障。未来，AI 将与新兴技术进一步融合，构建贯穿诊疗全流程的智能质控生态。国家质控平台需在政策、标准和产学研协同中发挥核心作用，推动AI 超声质控从“能用”向“好用”演进，实现超声诊疗的高质量、同质化发展。

目的

探讨计划-执行-检查-处理（PDCA）循环在提升超声科住院医师外周血管超声图文报告质量中的应用价值。

方法

应用PDCA 质量控制管理方法，每月随机抽取2023 年1 月至7 月期间天津市第三医院住院医师在超声医学影像信息系统中的外周血管超声报告，评估报告的文字、图像质量。设置提升目标为甲类图文报告占比达到95%以上。成立持续质量改进小组，对于图文报告未达标的情况，分析存在的问题并制定改进措施。于2023 年8 月至12 月贯彻实施改进措施后，重新进行图文评分。采用χ² 检验比较实施前后图文评分和扣分项目的差异。通过持续推进培训学习、科内讨论、收集住院医师反馈的问题等确定阶段改进成果。

结果

PDCA 循环实施前，外周血管超声甲类图像占比为66.3%（130/196），甲类报告占比为44.9%（88/196）；实施后，甲类图像占比提高至95.8%（92/96），甲类报告占比提高至78.1%（75/96），图像和报告质量均显著提高，差异具有统计学意义（χ²=30.797，P＜0.001；χ²=28.849，P＜0.001）。PDCA 循环实施后，图像和报告扣分项目数量显著减少（45 项vs 102 项；59 项vs 164 项），检查者在仪器调节、疾病诊断描述和规范化存图能力等方面均有所提升。

结论

PDCA 循环在住院医师外周血管超声教学中的应用显著提升了图文报告质量。