日本血吸虫病是严重威胁流行区群众健康的重要公共卫生问题。虫卵沉积可诱发肝纤维化，继而引发门脉高压、脾肿大、腹水等严重并发症。B超是血吸虫病筛查随访的核心无创手段，但日本血吸虫引发的隔间质纤维化会出现渔网样、鱼鳞状、龟背样特征超声回声，影像形态复杂多变。传统超声分级高度依赖医师个人经验，判读主观性较强，不同医疗机构结果一致性差；加之基层专业诊断人才短缺，给大规模流行病学筛查、长期病情随访带来较大难题。肝穿刺虽是纤维化评估的参考标准，但属于有创检查，存在并发症风险，不适用于大规模人群筛查。
近日，江苏省血吸虫病防治研究所联合香港中文大学、北京师范大学-香港浸会大学联合国际学院、南京邮电大学等单位，在国际权威期刊《Nature Communications》发表题为Deep learning for precision grading of Schistosoma japonicum?induced liver fibrosis in ultrasound images的研究成果，研发端到端深度学习系统SFibAI，实现日本血吸虫病肝纤维化超声影像自动化精细定量分级，为流行区大规模标准化筛查提供全新技术工具。
该研究联合江苏多家血吸虫病流行区医疗机构，构建多中心大样本B超影像数据集。在国内血吸虫病4级（0-3级）临床分级基础上，创新建立0.0-3.5、步长0.1的36级精细评分体系，既可以还原肝纤维化连续演变的病理过程，又可直接映射现有4级临床诊断标准，兼顾定量精度与临床实用性。研究以ResNet50为骨干网络，采用融合邻域感知KL散度、期望约束均方误差、边界敏感惩罚项的定制混合损失函数完成多尺度超声图像训练。模型输出36个等级的概率分布，经加权期望运算输出纤维化定量分数，并可换算为临床0-3级分级结果。独立测试集验证表明模型93.9%预测结果与专家判读误差≤0.5级，平均绝对误差0.116；全部临床分级任务AUC介于0.967-1.000；针对鉴别难度较高的1级与2级、2级与3级纤维化，AUC分别达0.967、0.972，性能优于传统影像组学及VGG基线模型。人机对照测试显示，SFibAI综合诊断能力优于乡镇放射医师平均水平，具备基层辅助诊断的应用潜力。
为满足基层落地需求，团队完成模型轻量化SDK开发，可部署于Windows、Android设备，单张图像推理耗时小于400毫秒，适配流行区便携式B超设备与
