【www.zhangdahai.com--其他范文】
宁丽洁 ，胡秋根（通讯作者）
（1.广东医科大学，广东 523808；
2.广东医科大学顺德妇女儿童医院（佛山市顺德区妇幼保健院）放射科，广东 528300；
3.南方医科大学顺德医院 放射科，广东 528300）
乳腺癌已成为全球最常见的恶性肿瘤［1］，也是全球女性发病率和死亡率最高的恶性肿瘤，已严重危害女性的健康，在我国乳腺癌疾病发病率亦呈逐年上升趋势［2］。乳腺癌可防可治，早期乳腺癌生存率极高，因此乳腺癌的早期诊断、早期治疗，对患者的预后及生存时间有着重要影响。乳腺癌有多种影像学检查方法，如乳腺超声、乳腺X线摄影、乳腺磁共振等。乳腺X线摄影是目前女性乳腺癌筛查影像检查中最常用的方法。随着国家对乳腺癌筛查工作的大力推进以及人们对乳腺健康意识的不断提高，越来越多女性开始关注乳腺X线摄影检查。日常繁复的影像诊断和大量乳腺癌筛查人群，加重了影像医生的工作负荷。因此，如何提高乳腺癌的检出效率、准确率，减少漏诊率及误诊率，是目前影像医学领域亟待解决的问题之一。
随着人工智能在医学影像领域的快速发展，人工智能在乳腺X线摄影中也得到广泛应用。基于此笔者就人工智能的发展及其在乳腺X线摄影方面的应用进行综述。
人工智能（Artificial Intelligence，AI） 最先由 20世纪 50 年代 John McCarthy 等提出［4］，是主要研究并开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，主要包括机器学习 （Machine Learning，ML）［6］和深度学习（Deep Learning，DL）［5］。
机器学习作为人工智能的一个核心分支，主要通过训练机器学习样本数据，并从中提取最佳特征，以对未知数据进行模型的建立。最常用的算法包括人工神经网络（Artificial Neural Network，ANN）、支持向量机（Support Vector Machine，SVM） 、随机森林（Random Forest， RF） 、K－均值算法（K－Means）等。经典ML按照训练方法分类，可以分为监督学习、非监督学习和强化学习等3类［7］。深度学习作为ML的一个子集，也是目前最流行的研究方法，可自动提取在大数据中有意义的特征［8］，包括文本识别、数字图像识别和目标识别等3个阶段的图像识别发展。卷积神经网络 （Convolutional Neural Network，CNN）作为深度学习中最成功的算法之一，其能在位于输入信号中不同空间位置的相似特征里提取较高等级信息［9］，使得CNN在处理视觉识别及语音识别等方面均获得出巨大成功［10］，尤其在视觉识别方面有较高的性能优势，因此CNN在图像处理方面的成就尤为突出。
20世纪60年代，计算机辅助诊断（Cumputer-Aided Diagnosis，CAD）系统已开始在乳腺医学影像领域应用，也是AI技术在乳腺X线摄影中的最早应用。CAD是一种通过使用计算机以及统计学等方法，对医学影像图像进行处理与分析，提取其特征并对可疑病变位置进行标注、对检出的病灶进行分类的AI技术［11］。传统的CAD系统机器学习算法使用的是监督学习（supervised learning），即通过使用人工对目标任务的特征进行训练，使其达到所要求的性能［12］。随着AI技术的不断发展以及乳腺X线检查人数的剧增，传统CAD对病灶的评估时间长、系统性能不稳定、假阳性率高、敏感性较低等缺点也愈发凸显。深度学习使用非监督学习（Unsupervised learning），能自动提取有意义的特征，突破了手工设计特征的局限性［13］。与传统CAD不同点在于，基于深度学习算法的CAD系统使用的方法是对模型的构建以及对影像样本数据的训练，从而使CAD模型具有更高的敏感度和准确率［14］。
基于深度学习算法的乳腺CAD系统的各种性能指标相较于传统CAD均有明显提高，使得AI技术在医学影像方面的应用尤其是在乳腺X线摄影中的应用更加广泛。
2.1 AI技术用于乳腺X线筛查
乳腺癌病因尚未明确，目前仍以二级预防为主。通过实施有效、便捷的影像学检查，对乳腺癌进行筛查，以期达到早发现、早诊断和早治疗，降低乳腺癌死亡率的目的。乳腺X线摄影是乳腺癌筛查检查中最常用的方法。由于影像医生工作量大，且医师的阅片状态受经验、水平等多方因素干扰，因此难以统一乳腺X线诊断的准确性及诊断效率。
Rodriguez 等（2019）［15］研究显示，AI 可以减少乳腺癌筛查放射科医师的阅片工作量，当使用5分作为阈值时（＞5分为存在乳腺癌高可能性），可以将放射科医师的阅片工作量减少约一半（-47%），同时排除了 7%的真阳性病人。Martín 等（2022）［16］评估了15 998名女性 15 999次数字乳腺X线摄影检查（DM），结果显示，AI在 DM 中的 AUC 为 0.93（95%CI：0.89-0.96）。对于 DM，AI的非劣效敏感度与 1位影像医生评估 （58.4%；
66/113 例；
95%CI：49.2-67.1）或 2位影像医生评估（67.3%；
76/113 例；
95%CI：58.2-75.2）分别比较，其降低召回率高达 2%（95%CI：-2.4--1.6）（P＜0.001），与人工评估相比，AI在DM中的召回率较低。此外，研究显示，在乳腺X线摄影的乳腺筛查中，应用AI可以减轻放射科医生的工作量，AI可以替代放射科医生在乳腺筛查中的评估，同时保障乳腺筛查质量。
Larsen等（2022）［17］对乳腺X线筛查结果进行人工智能评估。该研究为多中心研究，共纳入2009年至2018年的47 877名女性患者，共完成122 969次乳腺筛查。结果显示，在不同阈值条件下，AI系统在乳腺癌检测中整体性能均较稳定，其中AI系统未能检出的筛查癌比例均低于20%。另有文献［18］报道，在乳腺癌筛查中，通过使用AI系统，可有效降低乳腺癌筛查中间期癌的发生率。此外，基于深度学习的AI系统在乳腺癌筛查中［18-19］，结果显示与经验丰富的放射科医师的诊断水平相当。由此可见，AI系统可以作为乳腺癌筛查的有效辅助诊断工具，提高放射医师的工作效率。AI系统提供的诊断结论准确率可靠，可供放射医生参考，在保障筛查质量的同时，更让广大女性乳腺癌筛查人群获益。
2.2 病灶的检出及分类
钙化、肿块、结构扭曲以及不对称致密影是乳腺疾病的四大主要征象［20］。在乳腺X线检查中，乳腺CAD系统对肿块和钙化的特征识别能力较敏感，但是对结构扭曲和不对称致密影相对研究较少［21］。在乳腺X线摄影中，乳腺癌最常见的主要征象是肿块，但是影像医生对肿块的判断具有较强的主观性。此外，由于中国女性的乳腺腺体普遍较致密，高密度腺体组织容易对部分微小病灶遮挡而显示不清，容易造成漏诊误诊等情况。基于大量训练的乳腺CAD系统，可以根据图像中的信息特征识别出病灶中更细微且人眼难以识别的特征，更好地帮助影像医师提高病灶的检出率。因此，乳腺CAD系统相较于人工对肿块的检出及分类更加客观且性能稳定。张兴梅等（2019）［22］研究结果显示，基于 DL 的乳腺X线检测系统对肿块的检出有较好的稳定性，可以辅助影像医师对BI-RADS3类和4类肿块的检出率提升10.07%（30/298）以上。同时AI有助于减少不同腺体分类对肿块检出的影响，尤其对于较为致密腺体肿块的检出，AI辅助诊断具有重要的临床价值。
在乳腺X线摄影中，乳腺癌的早期表现可以是微小钙化，它是乳腺癌的主要危险征象，甚至常常是乳腺癌唯一征象。
王小琦等（2019）［23］通过使用DL系统与2名低年资医师分别对274例可疑钙化进行对比分析，发现DL系统仅漏诊1例密度较低的呈团簇状分布的无定形钙化，DL系统对于可疑钙化的检出率显著高于2名低年资医师。由于影像医师受视觉疲劳、注意力下降等主观因素影响，以及对于密度较低的无定形钙化和线样分布、直径较小的团簇样钙化敏感度均较低，因而漏检相对更多。相较而言，DL系统对可疑钙化灶的检出不受腺体类型以及钙化形态及分布的影响，对可疑钙化检出的敏感度与稳定性均较高。因此，DL系统可作为辅助，有效提升影像医师对可疑钙化的检出率。
但是对于不同的乳腺病灶类型，AI的检出率也有明显的对比差异。
宋张骏等（2019）［24］研究结果显示，基于深度学习技术的MammoWorks TM乳腺健康智能检测系统对肿块、钙化灶、肿块伴钙化灶、腺体结构扭曲等的检出也有明显差异。其中，肿块命中 67.7%（ 136/201），钙化灶命中 80.5% （33/41）；
肿块伴钙化命中82.3%（153/186）；
腺体结构扭曲命中55.0% （11/20）。对于不同腺体分类的乳腺病灶的检出也不尽相同，脂肪型乳腺命中 65.5%（36/55）；
少量腺体型命中 69.1%（94/136）；
多量腺体型命中75.6% （68/90）；
致密型命中 80.8%（135/167）。
研究结果显示，伴有钙化灶的疾病更容易被AI检测系统识别检出。另外，乳腺腺体密度高的分组命中率高，表明AI检测系统能有效辅助致密型腺体病灶的检出，可以降低影像医师对致密型腺体病灶的漏诊率。
刘宝治和李东波（2019）［25］研究采用深度学习人工智能领域快速R-CNN算法，对腺体结构进行分型，对全病灶检出，进而对病灶的全属性进行分析，再参考ACR BI-RADS 5th Edition进行评估分类，自动生成结构化报告，给出影像学建议。但是由于AI对异常密度的敏感性较高，导致其分级较人工标注的分级结果偏高。尽管如此，AI对有效提高影像医师的诊断效率仍有着重要临床意义。
2.3 乳腺癌的风险评估
对于乳腺X线检查而言，致密的乳腺已被认定为乳腺癌的主要危险因素，且是独立的危险因素，患乳腺癌的风险与腺体致密程度呈正比，即女性患乳腺癌的风险随着乳腺密度的致密程度增加而升高。在乳腺X线摄影中，致密的腺体组织容易对可疑病灶造成遮挡，致使影像科医师对腺体致密的患者给出假阴性的判定，因而容易造成对致密腺体病灶的漏诊。
深度学习算法不但能根据乳腺X线检查显示的乳腺密度程度进行风险预估，而且还能根据乳腺X线检查中具有预测风险的成像特征及临床风险因素，预测患者患乳腺癌的风险［21］。Qiu 等（2016）［26］研究显示，使用深度学习的风险预测模型对乳腺癌进行早期预测，其准确率达到 71.4%。Mohamed等（2018）［27］对1 427名女性乳腺X线摄影图像进行回顾性分析，利用构建的CNN模型对纤维腺体型及不均匀致密型乳腺进行自动分类，其ROC曲线下面积（ Area Under Curve，AUC）值为 0.942 1。由此可见，使用预测风险模型不仅能提高筛查者警惕性，实现对乳腺癌早诊断早治疗，同时还可避免影像医师的主观性，从而更好地预测患者患乳腺癌的风险。
2.4 分子分型的预测
乳腺癌在分子水平上具有高度的异质性，不同分子分型的乳腺癌其治疗方式及预后也不尽相同［28］。
马梦伟等（2020）［29］对 200 例浸润性乳癌，通过建立随机森林（RF）、极端梯度提升（XGBoost）、逻辑回归（kLR）及支持向量机（SVC）模型等4种机器学习模型，分别对不同分子分型乳腺癌的效能进行预测。结果显示，对于判断Luminal型与非Luminal型的乳腺癌，RF模型的AUC值最大（AUC=0.70，P＜0.O5），而且在4种机器学习模型中，RF模型对不同分子分型乳腺癌的预测效能较好。因此，术前通过影像学检查并结合人工智能，可以对乳腺癌快速、无创精准判断分子分型，对临床诊断及制定个性化的治疗方案产生重要影响。
人工智能在乳腺X线摄影中的应用有明显的优势，如可以减少乳腺癌筛查放射科医师的阅片工作量，有效辅助致密型腺体病灶的检出，对乳腺癌早期预测准确率较高，术前可以对乳腺癌快速、无创判断分子分型等等。虽然人工智能在乳腺X线摄影方面有诸多优势，但是目前还存在很多挑战，如对于腺体结构扭曲和不对称致密影的检出率较低，AI分级较人工标注的分级结果偏高，判断乳腺癌分子分型的准确率有待提高等。
目前，如腺体结构扭曲和不对称致密影等样本数据仍较小，且缺乏标准化。未来，AI在乳腺X线摄影中应建立标准化大数据集，同时注重其他信息（如患者既往检查资料及病史资料）的整合，以不断提高AI诊断性能。随着人工智能技术不断发展进步，今后大样本数据质量的不断提高以及多模态影像数据的整合，AI技术在乳腺X线摄影方面将发挥更大作用，创造更高的社会价值。
猜你喜欢 腺体肿块乳腺 甲状腺功能亢进患者行乳晕入路腔镜下甲状腺手术的技巧探讨中国内镜杂志(2022年5期)2022-06-08基于高频超声引导的乳腺包块导丝定位在乳腺病变中的诊断价值昆明医科大学学报(2022年2期)2022-03-29乳腺结节状病变的MRI诊断昆明医科大学学报(2021年10期)2021-12-02基于深度学习的腺体病理图像分割电脑知识与技术(2021年23期)2021-09-24基于nnU-Net的乳腺DCE-MR图像中乳房和腺体自动分割波谱学杂志(2021年3期)2021-09-07颈部肿块256例临床诊治分析云南医药(2021年3期)2021-07-21乳腺超声检查诊断乳腺肿瘤的特异度及准确率分析健康之家(2021年19期)2021-05-23春蚕吐丝儿童故事画报·智力大王(2020年3期)2020-04-26彩超诊断乳腺肿块良恶性临床分析世界最新医学信息文摘(2020年3期)2020-03-11张惠灏：乳腺肿瘤重在预防海峡姐妹(2018年6期)2018-06-26本文来源：http://www.zhangdahai.com/shiyongfanwen/qitafanwen/2023/0611/609844.html
