目的 探讨FPN-SENet-FL深度卷积神经网络模型基于超声图像鉴别乳腺良、恶性肿瘤及预测乳腺癌分子分型的可行性。方法 回顾性分析273例乳腺癌480幅及41例乳腺良性肿瘤113幅术前超声图像，以之构建数据集，并以7∶3比例随机纳入训练集或验证集。对训练集数据进行扩增，以训练二分类及五分类任务模型，评估二分类任务模型鉴别乳腺良、恶性肿瘤，以及五分类任务模型鉴别乳腺良性肿瘤与4种不同分子分型乳腺癌的效能；绘制受试者工作特征曲线，计算曲线下面积(AUC)、混淆Infectious diarrhea矩阵及完成各项任务的准确率、精确率、召回率selleck CCRG 81045及F1分数。结果 二分类任务模型的准确率、精确率、召回率及F1分数分别为94.71%、91.32%、91.30%和0.913,其AUC为0.976;五分Emricasan配制类任务模型分别为71.78%、72.48%、72.11%及0.721,AUC取值范围为0.860～0.976,其识别良性肿瘤的AUC最高(0.976),其次为识别Luminal B型乳腺癌时(0.944)。结论 FPN-SENet-FL深度卷积神经网络模型可辅助超声鉴别乳腺良、恶性肿瘤，且预测Luminal B型乳腺癌效能较佳。