目的:提出一套包含六类肝脏声像图的组合,通过人工智能模型对该图像组合进行识别分类,达到评价肝脏各叶段扫查全面性的临床应用效果。材料与方法:观察常规肝脏声像图内所包含的肝脏叶段,遴选出六类切面图像进行组合,组合该六类声像图的目的是在近似垂直的双切面上将肝脏的每个肝段无重复显示两次。明确病例纳入及排除标准后,4名超声医师进行切面采集工作。共纳入病例913例,六类超声切面图像（剑下肝左叶斜切面、剑下肝门静脉左支矢状部左缘矢状切面、剑下肝门静脉左支矢状部右缘矢状切面、肋缘经第二肝门斜切面、右肋间右前叶矢状切面、右肋间右后叶冠状切面）共12530张,数据清洗后分为训练集（8517张）与测试集（2676张）。同时以经典的Resnet50卷积神经网络为基础,搭建改良的Resnet56两套算法模型,分别以从头训练和迁移学习两种方式用前文设定的训练集进行训练。模型达到收敛、性能稳定后,根据对测试集的测试结果分析所搭建模型对于六类切面图像的识别性能,进而验证人工智能对评价肝脏超声在检查全面性层面的作用;并比较两套模型测试结果的参数差异,讨论实验结果的价值及产生原因。结果:本课题提出的迁移学习模型对于测试集的实验结果如下:总准确率98.32%;总精确率98.91%;总召回率98.30%;特异度99.78%;总F1分数98.60%;Kappa系数0.9731。对应的从头训练模型相应参数结果为总准确率92.34%;总精确率97.22%;总召回率92.24%;特异度99.47%;总F1分数94.75%;Kappa系数0.9089。并且在继续增加高质量图像数据的条件下,两套模型的性能均有进一步提升的潜力。结论:在合理设计常规切面组合的情况下,通过卷积神经网络对肝脏超声图像的识别可以起到评价各解剖叶段非连续扫查全面性的作用,并且不同算法模型在图像识别性能上存在一定差异,整体实验结果令人满意,应用于临床后将有益于提高肝脏超声检查的质控水平和超声医师工作效率,指导低年资超声医师规范、快速地学习掌握常规操作手法,降低漏诊率,该方案值得推广。