Bruke dyplæringsmetoder for å analysere automatiserte brystultralyd og håndholdte ultralydbilder, for å etablere en diagnose, terapivurdering og prognoseprediksjonsmodell for brystkreft.

1. Etablere en database Ved å samle ABUS, HHUS og omfattende brystbildedata, essensiell informasjon, informasjon om klinisk behandling, prognose og kurativ effektinformasjon, bygges en komplett brystbildedatabase.
2. Merking av ABUS-bilder Tre leger bruker en halvautomatisk metode for å ramme inn lesjonene på bildet.
3. Bygge modellen Ved å bruke dyplæringsmetoden for å forhåndsbehandle, analysere og trene de markerte bildene, og til slutt få en modelldiagnose, effektevaluering og prognoseprediksjonsmodell for brystkreft.
4. Evaluering av modellen 1）Selvvalidering: Analyser sensitiviteten, AUC for brystkreftdiagnosemodellen og det falske positive tallet på hvert ABUS-volum.

2) Sammenlignet sensitiviteten, AUC og det falske positive tallet med en kommersiell diagnosemodell.

3) Å teste screening og diagnostisk effektivitet av datastøttede diagnosesystemer gjennom prospektive eller retrospektive studier.

4) Ved å analysere størrelsen og egenskapene til lesjonene etter neoadjuvant kjemoterapi, og forutsi OS- og DFS-tiden, ble terapivurderingen og prognoseprediksjonsmodellen evaluert.