目的:探讨基于深度学习的人工智能（AI）模型在乳腺超声影像报告和数据系统（BI-RADS-US）乳腺结节分类中的应用价值。方法:收集2006年12月至2019年12月就诊于首都医科大学附属北京同仁医院的1 558例女性乳腺疾病患者的2 426枚乳腺结节超声图像，将图像数据集分为训练集（63%）、验证集（7%）和测试集（30%），用于建立AI模型。采用受试者工作特征（ROC）曲线分析AI模型、医师仲裁结果以及AI模型辅助前后医师的诊断效能；采用Cohen加权Kappa系数比较AI模型辅助前后5名超声医师间BI-RADS-US分类的一致性；统计分析每名医师AI模型辅助前后两次BI-RADS-US分类结果的变化。结果:AI模型与医师仲裁分类结果以及AI模型辅助前后医师的诊断效能差异均无统计学意义（均 P>0.05）；5名医师间一致性提高，AI模型辅助前后Kappa系数分别为3类0.433、0.812，4a类0.600、0.704，4b类0.614、0.823，4c类0.570、0.690，5类0.495、0.509（均 P<0.05）；AI模型辅助分类后，5名医师乳腺结节BI-RADS-US分类均发生了升降变化，其中良性结节由4类降为3类最多（56.6%，43/76）；恶性结节由4类升为5类最多（69.4%，34/49）。 结论:AI模型辅助超声医师进行BI-RADS-US分类可有效提高医师之间分类的一致性且不降低诊断效能；AI模型通过调整结节分类，在减少部分良性结节不必要的穿刺、提高部分恶性结节诊断准确性等方面具有临床应用价值。