【摘要】目的 本研究旨在利用深度学习中的卷积神经网络(convolutional neural networks, CNN)技术，对超声和胸部CT图像中的良性和恶性乳腺肿块进行鉴别。方法 我们回顾性地收集了281张良性肿块图像和155张恶性肿块图像，所有病例均经过手术切除和麦默通活检以获得病理结果。采用ResNet-50的CNN架构，并集成了卷积块注意力模块(convolutional block attention module,CBAM)，分别构建了超声(Ultrasound, US)、CT和US+CT的深度学习模型，对这些病变的良恶性进行了分析。我们计算了模型的灵敏度、特异性、准确度以及受试者工作特征曲线下面积(Area Under theCurve, AUC)，并与人工阅片结果进行了比较。结果 超声科医生阅读超声图像得到的AUC为0.808，而CT医生阅读CT图像得到的AUC为0.749。单独的超声模型的AUC为0.883，单独的CT模型的AUC为0.871，而超声加CT联合模型的AUC达到了0.947。与单独使用超声或CT进行诊断相比，超声和胸部CT的联合使用展现出了更优的诊断性能。结论 采用CNN进行的超声加CT图像深度学习分析具有很高的诊断性能，能够有效地区分乳腺超声图像上的良性和恶性肿瘤，其诊断效能优于单一的影像学方法。