开放获取的异质性超声影像数据库：助力AI辅助诊断的多中心挑战数据集构建与验证

推荐语：针对超声影像诊断面临的设备单一性、数据局限性及模型泛化能力不足等问题，研究人员构建了首个大规模公开异质性超声数据库（1,833例视频/图像，含13类异常），通过多中心数据整合、专业医师交叉标注及深度学习验证（RViT模型Top-3 ACC达68.48%），为AI辅助超声诊断提供了高价值基准数据集，推动跨设备、跨场景的临床模型开发。

　　

超声影像作为临床诊断的核心工具，却长期面临"主观依赖性强、图像质量不稳定"的困境。新手医师常因噪声干扰、设备差异或罕见病例经验不足而误诊，而现有AI模型又受限于单一来源的小样本数据（如BUSI仅780例图像），难以适应真实医疗场景的复杂性。更棘手的是，传统数据库多聚焦静态图像，忽略了视频中蕴含的动态病理特征——比如心脏血流随时间的变化可能隐藏着关键诊断线索。

安徽大学医学影像先进技术国际联合研究中心领衔的研究团队，联合国内16个省份的31家医院，从社交媒体平台系统性地收集了1,833例经专业医师验证的超声视频/图像数据，涵盖肿瘤、囊肿、结石等13类常见异常。这些数据不仅突破了单一设备限制（涉及多种超声机型），还创新性地保留了视频时序信息，并通过DBSCAN聚类和强化学习关键帧提取技术（每10帧提取1帧）实现了高效数据降维。研究采用"三阶段三角验证法"标注流程：先结合视频标题、网友评论（含医师专业讨论）生成初始标签，再由3位医师独立复核，最终仅保留三方共识数据，确保标签可靠性。

在技术方法上，研究团队首先通过密度聚类（DBSCAN）剔除无关帧，统一将图像缩放至224×224像素；采用Recurrent Vision Transformer（RViT）模型进行验证性实验，以Top-3准确率作为核心指标（因样本常呈现多症状共存特性）；数据预处理代码及完整数据集已在Figshare和GitHub开源。

数据特征

该数据库展现出显著的临床异质性：①地域覆盖广（16省份），包含新生儿、孕妇等特殊人群数据；②38.7%样本存在多标签现象（如肿瘤合并结石），采用"主症状优先"标注策略；③症状呈长尾分布（常见炎症占比较高，疝气等罕见病较少），更贴近真实临床情境。与既往数据集对比，其样本量超出第二名PSFHS数据集（1,124例）63%，且首次实现视频-图像双模态整合。

技术验证

使用Jester数据集预训练的RViT模型进行测试时，发现Top-3准确率（68.48%）显著高于Top-1（34.14%），印证了多症状联合评估的必要性。值得注意的是，模型在未预训练时Top-5准确率可达90%，表明数据本身具有高信息密度，但复杂病理特征仍对现有算法构成挑战。

结论与展望

该研究创建了目前规模最大、来源最广的公开超声数据库，其价值体现在三方面：①首次系统性整合社交媒体医疗数据（经严格伦理审查），为罕见病例研究提供新资源；②视频动态分析填补了传统静态图像的局限性，尤其有利于心脏瓣膜病等时序敏感疾病的AI建模；③多中心异质性数据可有效提升模型泛化能力，推动AI诊断系统从实验室走向临床。未来可结合主动学习（Active Learning）策略优化标注效率，或探索跨模态融合（如结合临床文本）进一步提升诊断精度。论文发表于《Scientific Data》时，同期开放的iFLYTEK开发者竞赛（https://challenge.xfyun.cn）正推动该数据集在产业界的应用探索。