胆道闭锁作为新生儿期最严重的肝内胆汁淤积性疾病之一，因其临床表现缺乏特异性，早期诊断是临床面临的重大挑战。为提升基层医疗机构对胆道闭锁的早期识别能力，中山大学附属第一医院超声科谢晓燕教授、深圳市儿童医院周路遥教授团队联合中山大学计算机学院王瑞轩教授团队创新性地运用深度学习技术，通过整合多中心常规超声检查中的胆囊、肝门纤维块特征及关键临床指标，成功开发并验证了一种多模态智能诊断模型。该模型在外部验证中展现出优异的诊断效能，其受试者工作特征曲线下面积（AUC）达到0.941（95%置信区间：0.891-0.972）。该模型同时引入不确定性评估机制，能够自动识别并排除诊断置信度不足的病例，为临床决策提供可靠依据。通过设定科学的不确定性评分阈值，模型成功筛除了39例高不确定性复杂病例，使整体诊断准确率从84.6%显著提升至91.5%。其次，模型展现出显著的临床辅助价值，能有效提升不同经验水平超声医师的诊断准确性和判读一致性。最重要的是，该模型所采用的建模特征均来源于常规检查项目，具有易获取、操作简便、成本低廉等优势，特别适合在医疗资源相对有限的基层医院推广应用，有望成为基层医师诊断胆道闭锁的重要辅助工具。

　　深圳市儿童医院超声科周路遥主任医师为最后通讯作者，福建省妇幼保健院超声科翁宗杰主任、中山大学附属第一医院超声科黄光亮副主任医师为共同通讯作者，中山大学附属第一医院超声科博士后周文颖、中山大学计算机学院林润硕士为共同第一作者，深圳市儿童医院超声科唐子鉴医生和汪珊医生也为本研究做了贡献。相关研究以“Multimodal Model for the Diagnosis of Biliary Atresia Based on Sonographic Images and Clinical Parameters”为题，发表在国际知名期刊《npj Digital Medicine》（IF=15.1，中国科学院1区）。

　　论文链接：https://www.nature.com/articles/s41746-025-01694-z