在刚刚结束的2023年美国超声医学会年会（UltraCon）上，由合滨智能参与撰写的两篇论文《Convolutional Neural Network Based on Automatic Segmentation of Peritumoral Shear-wave Elastography Images for Predicting Breast Cancer》以及《Convolutional Neural Network for Predicting Thyroid Cancer Based on Ultrasound Elastography Image of Perinodular Region》获得公开发表。

论文发表现场

      UltraCon大会是一个汇集了来自20多个超声专业多学科听众的顶级学术会议。旨在为与会者提供4天的互动式会议，包括患者护理，超声波实践，培训等方面。今年的年会于2023年3月25-29日在美国佛罗里达州奥兰多举行。

     美国超声医学会(AIUM)是一个多学科的医学协会，成立于1952年，由超过9000名医生、超声医师、科学家、学生和其他医疗保健者组成。AIUM致力于通过专业的公共教育，研究、制定指南和认证，促进超声在医学中安全有效地使用。经过几十年的发展，该学会已成长为全球行业权威组织。AIUM的重点是向成员提供最新、最准确的信息和技能培训，以便他们能够最好地利用超声技术为患者提供更好的服务。

     在科研实验中，合滨智能利用自身强大的人工智能开发经验与中国科学技术大学第一附属医院的医生团队紧密合作，针对两篇论文中的不同检查部位，为谢蠡博士和胡蕾博士的实验需求开发了两套人工智能模型。

谢蠡博士的论文

     在谢蠡博士的研究中，合滨智能为该实验设计了一套乳腺癌预测与诊断模型，利用卷积神经网络构建了二维超声联合弹性超声的双模态CNN诊断模型。通过此CNN模型。可实现对病灶的自动分割并提取病灶周边有效硬度信息，再与高通量的二维超声及剪切波成像信息整合。最终通过对1000余名乳腺癌患者的回顾性诊断，证明出该双模态CNN模型较普通CNN模型能获得更优秀的诊断效能，为超声诊断乳腺癌提供了巨大价值。

     胡蕾博士的论文     

     在胡蕾博士的研究中，她与合滨智能共同设计开发了一套甲状腺癌超声弹性图像的预测与诊断模型，利用卷积神经网络构建了二维超声联合弹性超声的双模态CNN诊断模型。通过该CNN模型，开创性地对甲状腺结节的周围区域的超声弹性图形进行分析。最终通过对1582例患者的回顾性诊断，证明出该CNN模型不仅将通过剪切波超声成像对甲状腺癌的诊断准确率提高到了90.54%，还成功识别了甲状腺结节良恶性判断的有效超声弹性图像区域。可为临床超声医师诊断甲状腺癌提供高效、快速的帮助。

    此前，两篇论文都曾发表于国际顶级期刊。《Convolutional Neural Network Based on Automatic Segmentation of Peritumoral Shear-wave Elastography Images for Predicting Breast Cancer》（IF=5.051）发表于肿瘤学权威期刊《Frontiers in Oncology》。《Convolutional Neural Network for Predicting Thyroid Cancer Based on Ultrasound Elastography Image of Perinodular Region》（IF=6.244）发表于内分泌学TOP期刊《Endocrinology》。

    自主研发的人工智能辅助扫查系统“EchoAssist”

     合滨智能一直深耕于超声影像领域的人工智能技术的研发，此次论文的发表，再次证明了我司强大的研发实力和广泛的行业认可度。合滨智能的超声AI产品，无论是在标准数据收集处理上，还是在超声成像与影像后处理间的融合上，都很好地将传统技术与深度学习相结合，攻克了超声AI研究上的众多难点与痛点。以技术赋能实践，成功地优化了超声检查的动作流，让超声工作变得更加精准高效。

     合滨智能已完成了智能远程超声机器人、自主超声扫查机器人、智能超声数据终端等多款产品的研发，相关产品的三类医疗器械证预计于近期获批。当前，全民健康是立国之基，合滨智能将继续在智慧医疗的领域深耕，用技术提升生命质量，助力全民健康。