基于人工智能的乳腺病变分类
基于人工智能的乳腺病变分类多中心研究
在乳腺癌领域，早期诊断对于提高治疗效果和生存率至关重要。乳腺癌主要分为原位癌和浸润性癌两类，这两类癌症在治疗策略和预后上存在显著差异。原位癌的腋窝受累发生率较低（1-2%），不推荐进行前哨淋巴结活检（SLNB）；而对于浸润性癌症，SLNB或腋窝淋巴结清扫（ALND）是必要的。因此，能够在术前准确区分良性、恶性以及原位和浸润癌症显得格外重要。
对比增强乳腺摄影（CEM）是一种新兴的技术，因其能够体现病变的血管特性而在临床应用中日益广泛。然而，CEM在诊断乳腺癌方面尽管对恶性病变具有高敏感性，但其特异性却不尽如人意（66-84%）。此外，传统影像学检查的解释还会受到放射科医生经验的影响，不同的放射科医生之间存在较大的差异。因此，开发一种自动、可靠，并且能够在术前非侵入性地将良性和恶性乳腺病变以及原位和浸润癌症区分开来的方法非常必要。
深度学习（deep learning）是一种强大的人工智能（AI）技术，因其在图像识别任务中的出色表现而广受关注。尽管先前有研究将深度学习应用于CEM图像以预测良性和恶性乳腺病变，但这些研究的样本量较小，而且缺乏多中心数据验证其泛化能力。此外，将深度学习应用于区分原位和浸润性癌症的价值尚不明确。
研究来源
本研究由来自山东、广东、上海和北京等地的多家医院和科研机构的研究人员联合进行，包括烟台毓璜顶医院、山东工商学院、潍坊中医院、孙逸仙纪念医院、复旦大学附属肿瘤医院、北京肿瘤医院等。主要作者包括Haicheng Zhang，Fan Lin，Tiantian Zheng，Jing Gao等。该论文发表于2024年1月18日的《International Journal of Surgery》。
研究流程
研究对象与数据集
本研究包含1430名符合条件的患者，这些患者在2017年6月至2022年7月期间接受了CEM检查。数据集被分为构建集（n=1101）、内部测试集（n=196）和外部测试集（n=133）。研究对象为接受CEM检查并经组织学证实乳腺病变的女性患者。
图像处理与特征提取
本研究中的AI模型采用RefineNet作为骨干网络，并在骨干网络上构建了一个名为卷积块注意模块（CBAM）的注意子网络，以进行自适应特征优化。将CBAM的输出应用于全局平均池化（GAP）层，生成CEM图像的优化深度学习特征。
分类模块
分类模块使用XGBoost分类器结合优化的深度学习特征和临床特征，以协同决策进行良性和恶性乳腺病变的术前诊断。分别采用RefineNet和ResNet作为模型的特征提取模块，结果证明前者结果最佳。
读者研究
医生被要求单独评估乳腺病变的良性和恶性，然后在AI模型辅助下再次评估。比较单医生和在AI辅助手段下的医生所得到的结果，以评估AI模型对医生诊断能力的提高。
生物学基础探索
为了揭示AI预测的生物学基础，基于12名患者的RNA测序数据进行了基因分析。将12名患者按AI预测的高风险和低风险分组，并使用R包DESeq2和ClusterProfiler对差异表达基因进行分析和富集路径识别。
研究结果
主结果
在区分良性和恶性乳腺病变方面，AI模型在外部测试集上达到了0.932的曲线下面积（AUC），优于最佳表现的深度学习模型、放射组学（Radiomics）模型和放射科医师。此外，AI模型对原位和进展性癌症的诊断也取得了令人满意的结果（AUC从0.788到0.824）。
生物学基础
对高风险组和低风险组的基因表达分析显示，高风险组与细胞外基质（ECM）组织化等路径相关。这些发现为AI模型的生物学解释提供了支持。
结论
基于CEM和临床特征的AI模型在乳腺病变的诊断中表现出了良好的预测性能，不仅能够有效区分良性和恶性病变，还能够进一步区分原位癌和浸润性癌症。该研究首次结合CEM图像进行AI分类，并探索了AI模型的生物学基础，为未来临床决策提供了有价值的支持。
研究亮点
- AI模型结合了基于注意力机制的深度学习特征和临床特征，在乳腺病变的良性和恶性诊断中表现优异。
- 在分辨乳腺癌的原位癌和浸润性癌症方面，实现了有效的识别。
- 对AI模型的生物学基础进行了深入探索，发现了相关基因路径。