摘要：目的评估基于深度学习(DL)的人工智能(AI)乳腺X线影像病灶检出系统的临床价值。方法回顾性分析484例乳腺X线影像及诊断报告,对其中存在BI-RADS 3类及以上病灶者评估AI检出敏感度,并结合双向表χ^2检验,验证AI对不同类型和BI-RADS分类病灶的敏感度差异。由3名高年资医师对诊断报告显示BI-RADS 1类和2类、但AI提示阳性病例进行审核,并按照不同类型和BI-RADS分类进行统计。结果BI-RADS 3、4a、4b、4c、5类病灶分别为103、79、23、40和11个,AI检出敏感度分别为82.52%(85/103)、97.47%(77/79)、100%(23/23)、100%(40/40)和100%(11/11),总敏感度为92.19%(236/256)。AI系统对不同类型(钙化、肿块、非对称、结构扭曲)和BI-RADS分类病灶的敏感度差异均无统计学意义(P均>0.05)。254例BI-RADS 1类和2类病例中,203例AI提示阳性发现,其中75例(80个病灶)为BI-RADS 0类,需结合其他检查确认,21例(23个病灶)为BI-RADS 3类及以上,多检出BI-RADS 3类及以上病灶类型差异无统计学意义(P均>0.05)。结论AI系统对BI-RADS 3类及其以上病灶有较高敏感度,可有效辅助影像医师减少漏诊。