目的:探究基于深度DenseNet网络的肝包虫病超声影像诊断方法。方法:选取自2022年12月至2023年12月，我院累积了100例肝包 虫病确诊病例，进行DenseNet网络的肝包虫病超声影像分析。结果:随机森林（RF）表现出0.71的灵敏度和0.76的特异度，总体准确率为 0.73，AUC 为0.82，正预测值为0.84，负预测值为0.60。支持向量机（SVM）、自编码器（AE）、线性判别分析（LDA）、逻辑回归（LR）和 AdaBoost（AB）在不同程度上显示了类似的性能指标，而决策树（DT）和朴素贝叶斯（NB）则表现出稍低的敏感度和特异度。结论:通过 Grad-CAM，本文能够可视化深度DenseNet网络在肝包虫病影像分类任务中关注的关键区域，从而更好地理解模型的决策过程。
