馬明明，姜原，劉義，謝輝輝，張靖遠(yuǎn)，王祥鵬，劉偉鵬，張曉東，秦乃姍，王霄英

乳腺癌目前已是女性最常見(jiàn)的惡性腫瘤。DCE-MRI的軟組織分辨力高，對(duì)血供豐富的腫塊型乳腺癌的檢出率很高，此型乳腺癌的主要DCE-MRI表現(xiàn)：明顯強(qiáng)化的腫塊；邊緣不規(guī)整，有毛刺，周邊可有衛(wèi)星灶；較大者可有壞死，可合并皮膚受侵、乳頭回縮、腋窩淋巴結(jié)轉(zhuǎn)移等；動(dòng)態(tài)增強(qiáng)曲線為流出型。DCE-MRI不僅可用于乳腺癌的篩查和診斷，還能應(yīng)用于對(duì)乳腺癌新輔助化療(neoadjuvant chemotherapy，NAC)的療效評(píng)估。在NAC多個(gè)療程的治療過(guò)程中，需要不斷評(píng)估治療效果，主要方法是在DCE-MRI圖像上測(cè)量腫瘤強(qiáng)化區(qū)域的徑線，根據(jù)徑線變化來(lái)評(píng)價(jià)腫瘤對(duì)NAC的反應(yīng)[1-2]。因此在DCE-MRI圖像上準(zhǔn)確測(cè)量強(qiáng)化腫塊的徑線、且在各次檢查中保持測(cè)量方法的一致性是非常重要的。但是，精確測(cè)量乳腺內(nèi)的所有強(qiáng)化病灶有一定操作難度：通常情況下，醫(yī)師人工測(cè)量的一致性欠佳，存在個(gè)體間和個(gè)體內(nèi)差異；此外，同一患者的圖像上有多個(gè)腫瘤病灶時(shí)，醫(yī)師通常僅選擇最大的病灶進(jìn)行測(cè)量，很少能做到對(duì)多發(fā)小病灶全部進(jìn)行測(cè)量。如能研發(fā)相關(guān)軟件來(lái)自動(dòng)測(cè)量DCE-MRI圖像上乳腺腫瘤的體積及徑線，不僅能減輕醫(yī)師的工作強(qiáng)度、縮短報(bào)告時(shí)間，還能提高測(cè)量的一致性和精準(zhǔn)性。

自上世紀(jì)70年代以來(lái)，計(jì)算機(jī)輔助診斷(computer-aided diagnosis，CAD)系統(tǒng)在乳腺影像學(xué)檢查中逐漸得到廣泛應(yīng)用[3-4]，但其仍有一定缺陷。近年來(lái)以深度學(xué)習(xí)為代表的人工智能(artificial intelligence，AI)相關(guān)技術(shù)已逐步應(yīng)用于乳腺癌的輔助影像診斷，有望提高對(duì)乳腺癌的影像診斷效能及測(cè)量準(zhǔn)確性，但將深度學(xué)習(xí)的結(jié)果整合到臨床實(shí)際工作流程中的相關(guān)研究尚較少。本研究中基于DCE-MRI圖像上乳腺的腫塊性病灶來(lái)訓(xùn)練深度學(xué)習(xí)模型，使其能進(jìn)行乳腺腫塊的自動(dòng)分割、定位和體積測(cè)量，并將相關(guān)結(jié)果自動(dòng)導(dǎo)入結(jié)構(gòu)化報(bào)告中，旨在將AI技術(shù)植入到臨床工作流程中以提高診斷效率和效能。

材料與方法

本研究經(jīng)本院醫(yī)學(xué)倫理審查委員會(huì)的批準(zhǔn)，按照本單位AI項(xiàng)目研發(fā)規(guī)范開(kāi)展工作。

1.用例定義

根據(jù)本單位AI項(xiàng)目管理方法，首先定義研發(fā)DCE-MRI中腫塊性病灶分割和定位的AI模型用例(Use Case)。包括：AI模型ID、臨床問(wèn)題、場(chǎng)景描述、模型在實(shí)際工作中的調(diào)用流程、模型輸入和輸出數(shù)據(jù)的結(jié)構(gòu)等。分割模型的目標(biāo)對(duì)象定義為：DCE-MRI圖像上呈明顯強(qiáng)化的局灶性腫塊病灶。AI模型的預(yù)測(cè)結(jié)果自動(dòng)填寫(xiě)入結(jié)構(gòu)化報(bào)告中，該報(bào)告模板是基于BI-RADS指南制定的[5]，AI模型提供的數(shù)據(jù)包括腫塊病灶的大小(三維徑線和體積)及位置(圖1)。

2.研究隊(duì)列的建立

回顧性搜集本院PACS系統(tǒng)中2015年2月1日-2016年12月31日經(jīng)病理確診為乳腺癌并擬行新輔助化療的連續(xù)病例的資料。納入標(biāo)準(zhǔn)：①乳腺癌住院患者，有DCE-MRI圖像；②已進(jìn)行活檢但尚未治療；③在本院行1.5T乳腺M(fèi)RI增強(qiáng)掃描，且圖像質(zhì)量滿(mǎn)足診斷要求；④影像科醫(yī)師在閱片時(shí)發(fā)現(xiàn)了乳腺腫塊并在診斷報(bào)告中明確描述了腫塊的大小。排除標(biāo)準(zhǔn)：①病理或臨床資料不完整；②乳腺癌化療或手術(shù)后；③圖像質(zhì)量不合格；④在DCE-MRI圖像上表現(xiàn)為非腫塊樣乳腺病灶(如點(diǎn)狀強(qiáng)化或非腫塊樣強(qiáng)化等)；⑤影像科醫(yī)師未在報(bào)告中明確描述腫塊大小。

最終共納入符合條件的患者88例，均為女性，年齡22～67歲，平均(34.8±10.4)歲。其中左乳單發(fā)腫瘤51例，右乳單發(fā)腫瘤34例，左乳多發(fā)腫瘤2例，雙乳多發(fā)腫瘤1例。超聲引導(dǎo)下乳腺腫塊活檢病理結(jié)果：浸潤(rùn)性導(dǎo)管癌70例，導(dǎo)管內(nèi)原位癌11例，小葉原位癌3例，乳腺粘液癌1例，乳頭狀癌1例，浸潤(rùn)性大汗腺癌1例，乳腺葉狀腫瘤1例。

3.MRI檢查方法

使用GE Signa Excite HD 1.5T磁共振掃描儀和4通道雙穴乳腺相控陣線圈行乳腺DCE-MRI檢查，常規(guī)掃描方案如下。橫軸面短TI反轉(zhuǎn)恢復(fù)(short TI inversion recovery，STIR)序列和T2WI：TR 3991.0 ms、TE 70.6 ms；橫軸面雙回波T1WI：TR 3.9 ms，TE 2.2和1.1 ms；橫軸面DWI：?jiǎn)未渭ぐl(fā)EPI序列，TR 6000.0 ms，TE 52.5 ms，層厚4.0 mm，層間距1.0 mm，視野32 cm×32 cm，矩陣256×256，b=1000 s/mm2，掃描時(shí)間80 s。增強(qiáng)掃描采用橫軸面乳腺容積成像(volume imaging of breast，VIBRANT)序列，TR 3.9 ms，TE 1.7 ms，層厚1.4 mm，層間距0 mm，視野36 cm×36 cm，矩陣320×320，每個(gè)時(shí)相掃描時(shí)間55 s，共掃描9個(gè)時(shí)相；使用高壓注射器經(jīng)靜脈注射Gd-DTPA，劑量0.2 mmol/kg，注射流率2.0 mL/s。隨后以相同流率注射20 mL生理鹽水[2]。

4.圖像標(biāo)注

將乳腺M(fèi)RI掃描的原始DICOM圖像轉(zhuǎn)換為NiFTI格式，使用ITK-SNAP軟件完成標(biāo)注。由一位影像科醫(yī)師帶領(lǐng)標(biāo)注小組對(duì)雙側(cè)乳腺進(jìn)行標(biāo)注，標(biāo)注范圍：前至乳腺皮膚，后至胸壁肌肉前方，兩側(cè)至腋窩，包括乳腺、纖維組織、脂肪組織。由1位影像醫(yī)師根據(jù)病理結(jié)果對(duì)腺體內(nèi)腫塊進(jìn)行標(biāo)注，并由2位乳腺影像專(zhuān)業(yè)的醫(yī)師進(jìn)行審核。標(biāo)注規(guī)則如下：①在DCE-MRI增強(qiáng)后的第3期圖像上標(biāo)注；②標(biāo)注病灶均為已進(jìn)行穿刺、病理證實(shí)為乳腺癌的腫塊；③對(duì)乳腺多發(fā)病灶者，標(biāo)注其中徑線最大的1個(gè)腫瘤，其余病灶不標(biāo)注；④標(biāo)注乳腺病灶邊緣應(yīng)盡可能精準(zhǔn)。

5.模型訓(xùn)練

模型訓(xùn)練采用序貫方法，先分割雙側(cè)乳腺，再分割病灶。訓(xùn)練分割乳腺病灶的模型時(shí)，將88例數(shù)據(jù)隨機(jī)分為訓(xùn)練集(train set，70例)，調(diào)優(yōu)集(validation set，9例)和測(cè)試集(test set，9例)。輸入數(shù)據(jù)為256×256的圖像和標(biāo)注，輸出數(shù)據(jù)為模型預(yù)測(cè)結(jié)果。圖像擴(kuò)增方法包括平移、旋轉(zhuǎn)、左右鏡像和隨機(jī)噪聲等。

訓(xùn)練U-Net深度學(xué)習(xí)模型對(duì)DCE-MRI圖像上乳腺及乳腺內(nèi)強(qiáng)化腫塊進(jìn)行分割[6]，硬件為GPU NVIDIA Tesla P100 16G，軟件包括Python3.6、Pytorch 0.4.1、Opencv、Numpy和SimpleITK。使用Adam作為訓(xùn)練優(yōu)化器。模型訓(xùn)練時(shí)1次迭代所使用的樣本量(batch size)設(shè)定為10，學(xué)習(xí)率(learning rate)為0.0001，共訓(xùn)練30次(epoch)。

6.模型評(píng)價(jià)

對(duì)U-Net深度學(xué)習(xí)模型的客觀評(píng)價(jià)指標(biāo)為測(cè)試集的Dice相似性系數(shù)(Dice similarity coefficient，DSC)值，計(jì)算公式如下：

(1)

其中，X和Y分別代表專(zhuān)家依據(jù)病理結(jié)果標(biāo)注的癌灶區(qū)域和模型預(yù)測(cè)區(qū)域內(nèi)所包含的像素集。

對(duì)模型的主觀評(píng)價(jià)是由2位乳腺影像診斷專(zhuān)家共同完成，評(píng)估方法：對(duì)分割模型預(yù)測(cè)出的“假陽(yáng)性”區(qū)域做出判斷，如是否為癌周?chē)釉?、雙乳強(qiáng)化小結(jié)節(jié)等。子灶指與目標(biāo)癌灶在同一象限內(nèi)的多個(gè)病灶，且徑線>5 mm，考慮來(lái)源于同一腫瘤。

7.模型預(yù)測(cè)結(jié)果的輸出

使用最小體積包圍盒算法輸出乳腺腫塊的三維徑線，每個(gè)腫塊以模型所預(yù)測(cè)的所有陽(yáng)性體素的體積為該腫塊的總體積[7]。對(duì)腫塊徑線最大值>5 mm的區(qū)域進(jìn)行定位。軟件將模型預(yù)測(cè)結(jié)果包括乳腺腫塊的大小和位置等相關(guān)信息自動(dòng)填寫(xiě)到結(jié)構(gòu)化報(bào)告中，并提供關(guān)鍵圖像(圖1)。

8.統(tǒng)計(jì)學(xué)分析

使用SPSS 22.0及Prism 8軟件進(jìn)行統(tǒng)計(jì)學(xué)分析。計(jì)量資料以中位數(shù)(上、下四分位數(shù))來(lái)表示，采用非參數(shù)檢驗(yàn)中的Wilcoxon符號(hào)秩和檢驗(yàn)比較軟件自動(dòng)測(cè)量與醫(yī)師手工測(cè)量結(jié)果間的差異，以P<0.05為差異有統(tǒng)計(jì)學(xué)意義。使用Bland-Altman散點(diǎn)圖評(píng)估兩種測(cè)量結(jié)果間的一致性。

結(jié) 果

1.模型對(duì)乳腺病灶分割效果的評(píng)價(jià)

在測(cè)試集的9個(gè)乳腺病灶中U-Net模型共檢出7個(gè)，敏感度為77.8%(7/9)，以病灶為單位平均DSC為0.85。未檢出的2個(gè)病灶(圖2～3)，1個(gè)腫塊內(nèi)有明顯壞死，另1個(gè)有顯著背景實(shí)質(zhì)強(qiáng)化(background parenchymal enhancement，BPE)。

在測(cè)試集中模型預(yù)測(cè)出16個(gè)非標(biāo)注區(qū)域，其中10個(gè)為乳腺內(nèi)強(qiáng)化小結(jié)節(jié)(圖4)，4個(gè)為乳腺癌灶周?chē)釉?圖4)，2個(gè)為明顯強(qiáng)化的乳腺表面增厚的皮膚及乳頭(圖5)。

2.模型對(duì)乳腺病灶測(cè)量效果的評(píng)價(jià)

在全部數(shù)據(jù)中所有配對(duì)樣本的差值呈非正態(tài)分布，因此對(duì)變量采用Wilcoxon符號(hào)秩和檢驗(yàn)。將軟件自動(dòng)測(cè)量與影像報(bào)告中放射科醫(yī)師手工測(cè)量的83個(gè)乳腺病灶的徑線進(jìn)行比較，詳見(jiàn)表1。對(duì)于乳腺病灶的左右徑，兩種方法測(cè)量結(jié)果之間的差異無(wú)統(tǒng)計(jì)學(xué)意義(P>0.05)；而對(duì)于乳腺病灶的前后徑和上下徑，兩種方法測(cè)量結(jié)果之間的差異均有統(tǒng)計(jì)學(xué)意義(P<0.05)。

表1 軟件自動(dòng)和醫(yī)師手工測(cè)量的乳腺病灶的徑線 (mm)

運(yùn)用Bland-Altman 散點(diǎn)圖分析顯示，兩種測(cè)量方法得到的乳腺病灶的左右徑、上下徑及前后徑的一致性均很高，僅有不到5%的數(shù)據(jù)位于95%置信區(qū)間之外(圖6)，其中以左右徑的測(cè)量結(jié)果一致性最好。兩種方法測(cè)量的左右徑的平均差異值為-0.35 mm，95%置信區(qū)間為-4.12～3.41 mm，并且差異值分布相對(duì)集中；而上下徑及前后徑的測(cè)量結(jié)果，95%置信區(qū)間分別為-11.90～8.64 mm和-9.81～13.43 mm，差異值相對(duì)較分散。

討 論

本研究中使用U-Net深度學(xué)習(xí)模型來(lái)分割DCE-MRI圖像上強(qiáng)化的乳腺腫塊，并測(cè)量腫塊的大小，旨在為NAC治療效果的評(píng)估提供重要信息。目前評(píng)估NAC療效的影像學(xué)指標(biāo)主要是腫塊的大小及形態(tài)特征的變化，其中腫塊大小是最重要的客觀分析指標(biāo)[8]。在乳腺M(fèi)RI圖像上手工測(cè)量乳腺癌的大小有一定局限性，因此對(duì)自動(dòng)分割和測(cè)量方法的探索是有益的，這是當(dāng)前AI技術(shù)植入臨床工作的主要方向[9]。

本研究中使用的U-Net深度學(xué)習(xí)框架是一個(gè)經(jīng)典的醫(yī)學(xué)圖像分割網(wǎng)絡(luò)，以小樣本數(shù)據(jù)探索自動(dòng)獲得DCE-MRI圖像上乳腺?gòu)?qiáng)化灶的三維徑線，結(jié)果顯示模型對(duì)乳腺癌病灶分割的準(zhǔn)確性與國(guó)內(nèi)外研究結(jié)果相似[10-11]，說(shuō)明2D U-Net對(duì)完成這個(gè)任務(wù)有較好的效能。在此基礎(chǔ)上，運(yùn)用最小體積包圍盒(minimum volume bounding box)算法自動(dòng)獲得乳腺病灶的徑線。這個(gè)概念在幾何學(xué)中，是N維點(diǎn)集的最小邊界或最小封閉框，是包圍全部點(diǎn)所在的最小度量單位(面積、體積或高維超體積)的盒。其計(jì)算腫塊邊界的邏輯可以認(rèn)為與醫(yī)師手工測(cè)量的邏輯是相似的，即以腫塊的全部體素為點(diǎn)集，測(cè)量包含全部腫塊體素的包圍區(qū)域的最小徑線。所以理論上二者是可比的，在U-Net模型分割準(zhǔn)確、樣本量足夠的情況下，程序輸出結(jié)果與人工測(cè)量值應(yīng)該非常接近，本研究的實(shí)際結(jié)果也證明了這一點(diǎn)。目前這類(lèi)研究已經(jīng)有很多，如對(duì)胸部、腹部、盆腔和腦等臟器內(nèi)病灶的分割[12-15]；且在多種性質(zhì)的圖像上均可達(dá)到較好的效果，如X線、CT、MRI、FDG-PET等[16]。本研究與既往研究的主要不同是針對(duì)NAC患者的影像報(bào)告過(guò)程進(jìn)行了優(yōu)化，將測(cè)量值自動(dòng)輸入到乳腺BI-RADS結(jié)構(gòu)化報(bào)告中，來(lái)替代醫(yī)師的手工測(cè)量過(guò)程，提高了工作效率，尤其是可保證乳腺癌多次隨訪檢查時(shí)腫塊徑線測(cè)量的穩(wěn)定性和一致性[17]。

本研究定義用例時(shí)，以“DCE-MRI圖像上呈明顯強(qiáng)化的乳腺腫塊”為分割目標(biāo)，是根據(jù)疾病診斷需求和臨床經(jīng)驗(yàn)來(lái)定義的，但在實(shí)際研究過(guò)程中發(fā)現(xiàn)設(shè)定的這個(gè)目標(biāo)是有缺陷的。在本研究中使用小樣本數(shù)據(jù)進(jìn)行訓(xùn)練的情況下，當(dāng)病灶與背景差異顯著、且呈明顯均勻強(qiáng)化時(shí)，模型的分割效果很好；但是當(dāng)病灶合并大面積壞死、或有顯著B(niǎo)PE時(shí)，模型的分割效果不滿(mǎn)意。此外，模型對(duì)明顯強(qiáng)化的乳頭、皮膚和淋巴結(jié)等組織存在過(guò)度識(shí)別。更需要指出的是，本研究中的入組病例是影像報(bào)告中明確描述了腫塊大小者，但在實(shí)際工作中，乳腺癌在DCE-MRI圖像上也可表現(xiàn)為非腫塊樣強(qiáng)化，由于這類(lèi)病灶通常并無(wú)明確的邊界，且形態(tài)學(xué)差異較大，部分病例無(wú)法準(zhǔn)確地測(cè)量其大小，因此這些病例被排除在本研究之外，如果增加了這部分病例，則模型訓(xùn)練將更為復(fù)雜[18]。

應(yīng)承認(rèn)，本研究AI模型研發(fā)用例定義了簡(jiǎn)單明確的情況，對(duì)臨床工作的復(fù)雜性考慮不足，當(dāng)然這對(duì)于探索性研究是可接受的，但從臨床應(yīng)用的角度則有明顯不足，這些問(wèn)題都應(yīng)在后續(xù)的模型訓(xùn)練中加以改進(jìn)。改進(jìn)的方法除了增加更多訓(xùn)練樣本，對(duì)輸入數(shù)據(jù)的定義、輸入圖像的質(zhì)控、模型的任務(wù)也要分層，基于筆者有限的經(jīng)驗(yàn)，目前考慮采用多個(gè)AI模型序貫完成復(fù)雜的臨床任務(wù)是一種可行的方法?？赡艿慕鉀Q方案如下：AI模型先對(duì)腺體成分和BPE進(jìn)行分類(lèi)，將有顯著B(niǎo)PE的致密型乳腺圖像與非顯著B(niǎo)PE的圖像分別輸入不同的AI模型執(zhí)行后續(xù)診斷任務(wù)；再根據(jù)腺體內(nèi)病變分布的模式進(jìn)行分類(lèi)，將具有彌漫性病變的圖像與只有孤立性腫塊的圖像輸入不同的AI分類(lèi)、分割模型；將腺體分割的解剖信息與病灶分割的解剖信息整合在一起，把腋窩淋巴結(jié)、乳頭、皮膚病變與腺體內(nèi)占位區(qū)分開(kāi)來(lái)，等等?？傊P者認(rèn)為，通過(guò)序貫的多個(gè)AI模型，完成復(fù)雜臨床情況下不同圖像中病灶檢出和測(cè)量的任務(wù)，是模型迭代的方向。

本研究的數(shù)據(jù)標(biāo)注是以病理結(jié)果為金標(biāo)準(zhǔn)的，對(duì)每例患者僅標(biāo)注了穿刺病理證實(shí)的"一個(gè)"腫塊。當(dāng)腺體內(nèi)有其它腫塊時(shí)，由于未獲得穿刺活檢的結(jié)果，所以未進(jìn)行標(biāo)注，這是有一定缺陷的。首先，乳腺癌常有多灶性的情況，穿刺活檢時(shí)往往取樣于最大的、惡性表現(xiàn)最明顯的、最安全可獲及的區(qū)域，在臨床實(shí)際工作中不必要也不可能獲得所有病灶的穿刺結(jié)果。其次，有很多腫瘤周邊是有子灶的，這些子灶通常也不可獲得其病理結(jié)果。這樣就造成了標(biāo)注的"真陽(yáng)性"區(qū)域不完全的情況，理論上會(huì)影響模型訓(xùn)練過(guò)程中的驗(yàn)證結(jié)果。但在實(shí)際情況中，由于多灶性腫瘤、腫瘤周?chē)釉畹男螒B(tài)學(xué)特點(diǎn)與標(biāo)注區(qū)域非常接近，經(jīng)過(guò)訓(xùn)練后，模型不僅學(xué)到了標(biāo)注區(qū)域的腫瘤特征，也正確預(yù)測(cè)出了非標(biāo)注區(qū)域里、有腫瘤特征的病變。本研究的結(jié)果證明，在特定的情況下，當(dāng)目標(biāo)是多灶性病變時(shí)，可以先挑選出最大、最顯著的那些病灶進(jìn)行標(biāo)注，經(jīng)過(guò)初步訓(xùn)練后，模型可預(yù)測(cè)出較小的其他病灶，然后經(jīng)過(guò)修改標(biāo)簽，得到更全面的標(biāo)注區(qū)域，再進(jìn)一步用于模型的迭代。在人工標(biāo)注不可能窮盡所有病灶的情況下，這種標(biāo)注和訓(xùn)練方式是值得嘗試的。

本項(xiàng)目的一個(gè)主要特點(diǎn)是影像報(bào)告流程的優(yōu)化。在"真實(shí)工作場(chǎng)景"前提下，自動(dòng)分割和自動(dòng)測(cè)量的模型有三方面的優(yōu)勢(shì)：節(jié)省工作時(shí)間，保證一致性，提高對(duì)多發(fā)病灶中高風(fēng)險(xiǎn)病灶的關(guān)注。首先，將U-Net模型植入到臨床工作中，在結(jié)構(gòu)化報(bào)告中自動(dòng)填寫(xiě)乳腺?gòu)骄€的測(cè)量值，可節(jié)省醫(yī)生寫(xiě)報(bào)告的時(shí)間。醫(yī)生測(cè)量徑線的過(guò)程中，要識(shí)別病變，找到合適的層面，并把測(cè)量值手工錄入到報(bào)告模板中相應(yīng)的位置，顯然地，軟件自動(dòng)測(cè)量節(jié)省醫(yī)生了的工作時(shí)間。其次，手工測(cè)量病灶的標(biāo)準(zhǔn)是主觀的，醫(yī)師個(gè)體內(nèi)和個(gè)體間的差異會(huì)影響測(cè)量結(jié)果的一致性，軟件識(shí)別的一致性和穩(wěn)定性則是有保障的。第三，對(duì)乳腺內(nèi)多發(fā)小病灶進(jìn)行測(cè)量時(shí)，通常會(huì)測(cè)量最大的一個(gè)病灶，其它稍小的病灶則會(huì)省略。以多發(fā)點(diǎn)狀強(qiáng)化為例，DCE-MRI上雙側(cè)乳腺內(nèi)強(qiáng)化小結(jié)節(jié)表現(xiàn)為小于5mm的多發(fā)點(diǎn)狀強(qiáng)化，第5版BI-RADS將此類(lèi)強(qiáng)化小結(jié)節(jié)歸為背景強(qiáng)化，若為不對(duì)稱(chēng)分布，則更支持BPE，建議6個(gè)月后隨訪復(fù)查MRI，診斷為BI-RADS 3類(lèi)[19]。但是當(dāng)小結(jié)節(jié)的直徑>5 mm時(shí)，則有必要綜合考慮其性質(zhì)，不能除外腫塊的可能性。AI模型可以精準(zhǔn)測(cè)量體積，在多發(fā)點(diǎn)狀強(qiáng)化中識(shí)別出小的腫塊，引起醫(yī)師的關(guān)注，提高診斷的準(zhǔn)確性和效率[20]。

本研究的局限性是非常明顯的。首先，本研究的病例數(shù)較少，影響結(jié)果的可靠性。本研究是小樣本探索性研究，僅是概念驗(yàn)證(proof of concept，POC)，只有進(jìn)行大樣本、多中心臨床研究，才能證明模型在臨床實(shí)踐中的效能，完成大量的、適應(yīng)不同復(fù)雜情況的模型研發(fā)，且在模型研發(fā)不同階段進(jìn)行不同性質(zhì)的臨床驗(yàn)證試驗(yàn)[21]。其次，本研究對(duì)腫塊的分割是基于DCE-MRI圖像的，而多參數(shù)乳腺M(fèi)RI(multiparametric breast MRI，mpMRI)對(duì)NAC的研究顯示，DWI等序列也對(duì)NAC的療效評(píng)價(jià)有一定幫助，因此將來(lái)可將DCE-MRI、DWI等多序列圖像對(duì)模型進(jìn)行綜合訓(xùn)練，如能進(jìn)一步獲得病理、基因和臨床信息，形成整合的綜合臨床信息的輔助決策支持(clinical decision support，CDSS)，則更有臨床價(jià)值。最后，本研究是為NAC療效評(píng)價(jià)服務(wù)的，考慮到NAC治療后影像特征有變化，將來(lái)應(yīng)對(duì)同一病例的多次隨訪結(jié)果進(jìn)行模型訓(xùn)練，對(duì)治療過(guò)程中不同時(shí)間點(diǎn)的圖像進(jìn)行病灶識(shí)別、配準(zhǔn)和比較，才能實(shí)現(xiàn)真正的療效自動(dòng)評(píng)價(jià)。

(志謝：感謝北京賽邁特銳醫(yī)學(xué)科技有限公司張雖雖在結(jié)構(gòu)化報(bào)告構(gòu)建的貢獻(xiàn)，張穎靜、張靜、常燕等對(duì)圖像標(biāo)注工作的貢獻(xiàn))。