深度学习结合乳腺X光检查和超声图像预测密集乳腺女性BI-RADS 4a病变的恶性程度
用深度学习结合乳腺X线摄影和超声图像预测密乳腺女性BI-RADS US 4A病变恶性度的诊断研究
背景介绍
乳腺癌是女性最常见的恶性肿瘤，具有较高的发病率和死亡率。先前的研究发现密乳腺女性更容易患上乳腺癌。研究指示，亚洲女性的乳腺密度普遍高于非洲裔和白人女性，故对高乳腺密度的亚洲女性进行研究显得尤为重要。
乳腺X线摄影(MG)被认为是筛查乳腺癌的重要手段，并据称能降低30%的乳腺癌相关死亡率。然而，MG在检测密乳腺女性的乳腺病变时表现较差，其敏感性下降至48%-85%，主要由于腺体遮挡等问题。在这种情况下，超声(US)在筛查和诊断密乳腺女性时扮演着不可或缺的角色。对密乳腺患者进行US与MG联合检查可以提高检测率。一个荟萃分析显示，US作为MG的补充手段可以使无症状乳腺癌的检测率平均提高40%。
美国放射学会（ACR）在2013年发布的第五版乳腺影像报告和数据系统（BI-RADS）图集，将BI-RADS 4类病变细分为4A、4B和4C亚类，病变具有不同程度的恶性可能性。由于4A病变的恶性率较低，通常为2%-10%，而4A病变在BI-RADS 4类中最为常见，占比55.6%。因此，常规的活检会导致患者不必要的焦虑以及偶尔的并发症和医疗成本。在临床实践中，放射科医生常依据BI-RADS标准进行最终评估，这可能会受到主观解释的影响。因此，客观的方法对于提高BI-RADS 4A乳腺病变患者的早期诊断显得尤为必要。人工智能(AI)能够识别影像数据中的复杂信息，因此可能提供一种快速且定量的替代方案。
论文来源
本文由Yaping Yang, Ying Zhong, Junwei Li, Jiahao Feng, Chang Gong, Yunfang Yu, Yue Hu, Ran Gu, Hongli Wang, Fengtao Liu, Jingsi Mei, Xiaofang Jiang, Jin Wang, Qinyue Yao, Wei Wu, Qiang Liu和Herui Yao等人撰写。研究由中山大学附属肿瘤医院乳腺肿瘤中心和细胞视觉（广州）医疗科技有限公司共同完成。论文于2024年2月12日在线发表于国际权威期刊 International Journal of Surgery。
研究方法
研究流程
目标总共招募了1210名女性，研究对象包括回顾性和前瞻性两组。其中992名患者被随机分配到训练组（789名）和测试组（203名），按4:1的比例分配。另外招募了218名患者形成前瞻性验证队列。在训练过程中采用了转移学习和加权随机抽样方法，以解决正负样本不平衡问题并提高模型的泛化能力。使用ResNet18作为基础深度学习模型。
数据处理和实验设计
所有乳腺超声和乳腺X线摄影图像都使用了相同的分辨率标准化处理。深度学习模型采用一种多模态特征消除技术和在线数据增强技术，以减少模型训练中的过拟合现象。模型的性能通过受试者工作特征（ROC）曲线及其下面积（AUC）进行评价，通过比较不同模型的敏感性和特异性来衡量预测恶性度的表现。
数据分析
训练队列、测试队列和验证队列患者的基本临床病理特征以频率和百分比表示。为处理样本不平衡问题，模型在训练时采用了加权随机采样，受试者工作特征(ROC)曲线和AUC被用于评估不同模型的性能。此外，决策曲线分析(DCA)被用来量化模型在不同阈值概率下的临床效用。
研究结果
基线特征
研究总共纳入了1210名受试者，患者年龄中位数为44岁，所有患者均为确诊的BI-RADS US 4A病变和高密度乳腺患者。训练队列与测试队列在病理结果，年龄和病变大小等方面具有可比性，但在家族病史和影像特征等方面有所不同。训练队列的恶性比例为8.7%，测试队列为12.3%，验证队列为9.2%。
模型性能
ResNet18模型被选为基础模型，因为其在测试队列中表现出最高的敏感性(92%)和特异性(88.2%)。在测试队列中，配合US影像和MG影像的组合模型具有最好的预测恶性度的AUC分数0.940（95%可信区间：0.874-1.000）。在验证队列中，组合模型的AUC分数也达到了0.906（95%可信区间：0.817-0.995）。
结论
本研究开发了一种高效且客观的深度学习模型，结合了US和MG影像特征，大大提高了预测BI-RADS US 4A乳腺病变恶性度的准确性。在减少不必要的活检中，该模型表现显著。该模型可能帮助临床医生做出更好的临床决策，避免不必要的活检，提高了临床工作流的可重复性和可靠性。
研究亮点
- 高准确性：模型在预测BI-RADS US 4A乳腺病变的恶性度方面表现出较高的AUC分数。
- 多模态融合：结合了US和MG影像特征，显著优于单一模式。
- AI在医学影像中的应用：展示了AI和深度学习在提高诊断准确性和减少主观因素方面的巨大潜力。
研究重要性和应用价值
本研究提供了一种高效的AI辅助诊断方法，成功结合了多种模式的医学影像，显著提升了诊断的准确性和有效性。通过减少不必要的活检，该模型不仅节省了医疗资源，还显著缓解了患者的焦虑情绪。未来应用于临床实践中，该模型有望成为医生诊断和治疗乳腺癌的重要工具。未来需要在多中心进行更广泛的验证，以进一步增强模型的泛化和实际临床适用性。