日本血吸虫病仍是流行地区面临的重要公共卫生问题。随着病情进展，患者可出现肝纤维化、门脉高压等严重后果。B型超声具有无创、成本较低、便于基层推广等优势，是血吸虫病肝纤维化筛查与随访的重要手段。然而，日本血吸虫病相关肝纤维化的超声影像表现复杂，传统0–3四级分级在一定程度上依赖医师经验，跨中心评估一致性有限，也难以充分刻画疾病连续进展过程。针对上述问题，研究团队将临床常用的0–3四级标准进一步细化为0.0–3.5、步长为0.1的36级序数量表，并在此基础上构建深度学习系统 SFibAI。在保持与现行临床分级体系对应关系的同时，该方法进一步提升了肝纤维化评估的量化分辨率，使传统较为粗粒度的离散分级向准连续精细量化迈进，为病情严重程度评估和长期随访提供了更加细致的定量依据。

曾铁勇教授与江苏省寄生虫病防治研究所杨坤研究员共同指导该项研究，论文第一作者徐子扬为曾教授在香港中文大学指导的博士研究生。曾教授长期从事图像处理、计算成像与人工智能研究，在本项工作中参与总体研究方向设计，推动数学、人工智能方法与血吸虫病临床评估需求的交叉融合，并在研究定位、结果阐释、论文修订及成果转化等方面给予系统性指导。

曾铁勇教授

该研究基于来自多家中心的167,702张超声影像开展训练与验证。独立测试结果显示，模型预测与专家标注之间的平均绝对误差为0.116，93.9%的预测结果与专家标注偏差不超过0.5个分级单位；在多项临床相关分类任务中，模型的受试者工作特征曲线下面积（AUC）为0.967–1.000，表现出良好的判别性能。在算法研究基础上，研究团队进一步完成了SFibAI在Windows和Android平台上的部署。在相应部署设备上，单张超声影像推理时间低于400毫秒，为该系统在血吸虫病流行地区的基层筛查、患者随访管理及超声评估标准化等场景中的进一步应用提供了技术基础。

该项工作体现了图像处理、人工智能与寄生虫病防控领域的交叉协同。曾铁勇教授长期致力于图像处理、计算成像与人工智能研究，并持续推动相关方法在医学影像分析等交叉领域中的应用。此次作为共同通讯作者参与并指导相关研究，进一步拓展了北师港浸大在人工智能与医学交叉研究领域，特别是智能技术赋能重要传染病防治领域的学术影响力。