一、项目背景
颈动脉血栓是由脂肪堆积、血液粘稠、动脉粥样硬化斑块脱落等因素在颈动脉内形成的血液凝块。血栓一旦形成，可能导致颈动脉管腔狭窄甚至闭塞，使血液流通受阻，进而引起脑供血不足。更严重的情况下，血栓脱落可随血流进入颅内动脉，直接诱发缺血性脑卒中（脑梗塞），是我国中老年人致死和致残的主要原因之一。
颈动脉血栓具有多种形态，例如水母状、丝絮状、羊尾状等。不同形态的血栓在稳定性、脱落风险和治疗策略上存在显著差异，医生会根据血栓的形态、大小以及患者的具体情况，制定个体化的治疗方案。
然而，颈动脉彩超影像的阅片高度依赖医生的临床经验，尤其是对微小、形态复杂的血栓识别，往往需要资深超声科医生花费大量时间逐帧仔细分辨，存在诊断效率低、基层医生培训周期长、漏诊误诊风险高等痛点。
二、项目目标
研制一套面向颈动脉彩超影像的 AI 智能检测系统，实现：
- 自动识别彩超图像中的颈动脉血栓；
- 精准分割血栓区域，量化其大小与空间位置；
- 形态分类 —— 自动判别水母状、丝絮状、羊尾状等不同形态；
- 辅助诊断 —— 为医生提供结构化的诊断建议，提升阅片效率与一致性。
三、技术方案
1. 数据采集与标注
与北京安贞医院综合超声科合作，构建了覆盖不同形态、不同部位颈动脉血栓的高质量彩超影像数据集，并由资深超声医生进行精细标注。
2. 数据预处理与增强
对彩超影像进行归一化、去噪与标准化处理，结合旋转、翻转、弹性形变等数据增强策略，提高模型的泛化能力。
3. 深度学习模型设计
基于卷积神经网络（CNN）构建多任务模型，同时完成图像分类、语义分割与目标检测三类任务 —— 精确判别血栓的"有/无/形态"、清晰勾勒血栓边界、并在影像中精准定位病灶位置。
4. 模型训练与优化
采用交叉验证、超参数调优等技术手段持续优化模型性能，有效抑制过拟合，确保模型在未见数据上的稳健表现。
5. 智能辅助诊断
训练完成的模型对新输入的颈动脉彩超影像进行实时分析，输出诊断建议与量化指标，为医生决策提供参考。
四、创新点与优势
- 形态全覆盖 —— 首次系统性地对水母状、丝絮状、羊尾状等多种典型血栓形态进行自动识别与分类，契合临床真实需求。
- 多任务一体化 —— 将分类、分割、检测任务统一在一个深度学习框架下，同时给出"有无血栓 — 血栓在哪 — 血栓多大 — 什么形态"的完整信息。
- 临床数据驱动 —— 依托北京安贞医院真实临床数据，标注质量高、覆盖场景广，模型具备良好的临床可用性。
- 显著提效 —— 将以往需要医生花费较长时间仔细分辨的工作压缩至秒级完成，大幅提升阅片效率与一致性，特别适合基层医院与大规模筛查场景。
五、临床应用与社会影响
2022 年 9 月 4 日，在北京电视台《健康北京》节目中，时任北京安贞医院综合超声科主任的勇强大夫在介绍颈动脉血栓的发病情况时，所采用的正是课题组研制的颈动脉彩超影像 AI 检测系统。
AI 系统为专家的讲解提供了直观、有力的技术支持，能够更精准地呈现和分析医学影像，让观众更清晰地理解颈动脉血栓这一疾病，也展示了人工智能在医学影像处理领域的创新成果与应用价值，获得了医学界和公众的广泛关注。
该系统为脑卒中的早期预警与高危人群筛查提供了切实可行的 AI 工具，可广泛应用于三甲医院超声科、基层医院、体检中心以及大规模公共卫生筛查项目，具有重要的临床价值和社会意义。已实现技术转让。
六、节目视频
北京电视台《健康北京》2022 年 9 月 4 日 · 主讲：勇强（时任北京安贞医院综合超声科主任） · 在 B 站观看 →
七、技术转让与线上系统
项目已实现技术转让，并保留基于 Ultralytics YOLOv8 的 Web 端 AI 辅助检测系统，用于线上算法验证与展示。访问地址：
支持 JPG / PNG / JPEG 格式颈动脉超声图像上传 · 自动识别并标注疑似血栓区域 · 输出结构化检测报告
1. 模型性能
线上系统使用基于真实临床病例的数据集（训练集 1,249 张 + 验证集 616 张，共 1,865 张带标注影像）训练得到，第 100 个 epoch 的关键指标如下：
- mAP@0.5 = 0.953 — 高水平。显著高于 YOLOv8n 在 COCO 自然图像通用基准上的 0.524，说明模型对病灶位置的粗定位能力很强——只要框与真实病灶有 50% 以上的重合即算正确，这一阈值下几乎不漏检任何疑似区域，已达到辅助筛查可用级别。
- mAP@0.5:0.95 = 0.415 — 中高水平。比 YOLOv8n 在 COCO 上的 0.373 高很多，与 YOLOv8s 的 0.449 同档。该指标在 IoU 阈值 0.5–0.95（步长 0.05，共 10 档）取均值，反映更严格 IoU 阈值下的边界贴合精度。颈动脉血栓在彩超影像中边界灰度连续、不同医生的标注本身存在主观差异，使该指标天然偏难；模型擅长"找到"病灶，但对边界亚像素级贴合能力一般 —— 适合筛查与人工复核场景，不建议直接基于检测框做病灶面积/直径的精确量化（如需量化建议升级为实例分割模型）。
- Precision（查准率）= 0.933 — 高水平。模型每检出 100 个疑似目标中约 93 个为真阳性，误报率仅约 7%，医生复核负担小。
- Recall（查全率）= 0.912 — 高水平。真实病灶中 91.2% 被成功检出，漏检约 9%。在医学辅助筛查中召回率通常比查准率更关键（漏检的后果重于误报），0.912 已具备实用价值，后续可通过更大模型与更多数据继续提升。
综合解读：0.953 的高 mAP@0.5 与 0.415 的中等 mAP@0.5:0.95 并存，传递的信号是 —— 模型擅长找到病灶大致位置，对应"第二双眼睛"式的辅助筛查；但不擅长亚像素级精确贴边，与彩超影像边界本身模糊、临床标注主观性较强的特点一致。这与本系统"辅助筛查 / 算法验证演示"的定位完全匹配，不构成临床应用层面的瓶颈。
2. 技术架构
系统采用经典的反向代理 + 应用服务器 + 推理引擎三层架构，部署于公网 HTTPS（Let's Encrypt 证书）：
Nginx → Gunicorn → Flask → YOLOv8 推理引擎
- 前端：HTML / CSS / JavaScript 单页上传与结果展示
- 后端：Flask + Gunicorn，提供
/predict、/report、/detect接口 - 反向代理：Nginx + Let's Encrypt HTTPS
- 部署环境：腾讯云轻量应用服务器，独立域名
xueshuan.pythonguru.cn
3. 系统界面
4. 使用流程
- 打开系统首页 https://xueshuan.pythonguru.cn
- 点击上传区域，选择一张已脱敏的颈动脉超声图像
- 点击"上传并开始检测"，系统秒级完成 AI 推理
- 查看带检测框的标注结果图与"疑似目标数量 / 最高置信度 / 检测时间"等结构化摘要
- 按需进入检测报告页或下载结果图（命名格式
result-YYYYMMDD-4位序号.jpg）
提示：当前系统主要用于科研演示、算法验证与辅助筛查展示，不作为最终临床诊断依据。请上传已脱敏的超声图像，避免包含姓名、病历号等个人信息。
八、合作单位
- 北京安贞医院