周晨怡，朱芳蓮，王艷玲，顏任澤，袁 瀟，徐乾山

(蘇州高新區(qū)人民醫(yī)院放射科，江蘇 蘇州 215129)

乳腺癌發(fā)病率逐年增長，且有年輕化趨勢[1-2]，2020年全球乳腺癌新發(fā)病人數(shù)達(dá)226萬，成為全球新發(fā)病率最高的惡性腫瘤[3]。前瞻性臨床研究[4-5]表明，定期接受乳腺檢查并早期連續(xù)隨訪能有效防治乳腺癌。乳腺X線攝影是篩查和診斷乳腺癌的常用方法。自20世紀(jì)80年代，計(jì)算機(jī)輔助診斷(computer aided diagnosis, CAD)被用于分析乳腺X線片[6]，后繼研究[7-8]證實(shí)，利用人工智能(artificial intelligence, AI)技術(shù)輔助醫(yī)師診斷乳腺病變，能有效提升放射科醫(yī)師的閱片準(zhǔn)確性，減少漏診。本研究觀察AI輔助對初級職稱放射科醫(yī)師檢出乳腺X線片中乳腺病灶的價(jià)值。

1 資料與方法

1.1 一般資料 回顧性分析2018年4月—2020年1月165例于蘇州高新區(qū)人民醫(yī)院接受乳腺X線攝影檢查的女性患者。納入標(biāo)準(zhǔn)：因乳腺癌篩查接受乳腺X線攝影檢查，有明確乳腺占位患者并接受MR和/或超聲和/或病理檢查。排除有乳腺活檢、手術(shù)、放射或化學(xué)治療史及圖像存在偽影者。最終73例入組，年齡29～75歲，平均(48.7±9.0)歲。

1.2 儀器與方法 采用Siemens Mammomat Fusion數(shù)字乳腺X線機(jī)，管電壓50 kV，管電流100 mA，曝光電壓20～35 kV，曝光電流20～500 mAs，依照中國抗癌協(xié)會(huì)乳腺X線攝影技術(shù)規(guī)范[9]行頭足(cranio-caudal, CC)位和內(nèi)外斜(medio-lateral oblique, MLO)位攝片。采用推想InferRead Mammo research V3.3乳腺X線影像輔助診斷系統(tǒng)(以下簡稱AI軟件)分析乳腺X線片，自動(dòng)檢測乳腺病灶位置及范圍并評估乳腺影像報(bào)告和數(shù)據(jù)系統(tǒng)(breast imaging reporting and data system， BI-RADS)分類。

1.3 乳腺病灶評價(jià)臨床標(biāo)準(zhǔn) 以病理結(jié)果作為首要金標(biāo)準(zhǔn)；若缺乏病理結(jié)果，則由1名從事乳腺X線影像學(xué)診斷超過10年的主任醫(yī)師結(jié)合AI軟件和MRI和/或超聲識(shí)別乳腺腫塊(形態(tài)、分布、大小、密度、邊緣)和鈣化、結(jié)構(gòu)扭曲、不對稱等異常及淋巴結(jié)、乳頭凹陷、皮膚病變等伴隨征象，勾畫乳腺病灶區(qū)域，同時(shí)記錄病灶類型[包括軟組織病灶(腫塊、結(jié)構(gòu)扭曲及不對稱)及鈣化灶]和 BI-RADS分類。遇醫(yī)師與AI軟件、MRI和/或超聲結(jié)論不符時(shí)，由另一名主任醫(yī)師參與判讀并達(dá)成共識(shí)，作為最終臨床標(biāo)準(zhǔn)。

1.4 閱片試驗(yàn) 選取5例標(biāo)準(zhǔn)乳腺X線片，對3名不知曉臨床相關(guān)資料和病理結(jié)果的低年資放射科醫(yī)師(從事乳腺影像學(xué)診斷<2年，乳腺X線片閱讀量<300份，以下簡稱醫(yī)師1、2、3)進(jìn)行AI軟件使用培訓(xùn)。之后由3名醫(yī)師分別采用順序閱片方式[10](首先獨(dú)立閱片，再打開AI軟件進(jìn)行二次閱片)勾畫乳腺病灶區(qū)域，統(tǒng)計(jì)檢出病灶數(shù)，評估病灶類型及BI-RADS分類。

1.5 統(tǒng)計(jì)學(xué)分析 采用SPSS 26.0統(tǒng)計(jì)分析軟件，統(tǒng)計(jì)標(biāo)記的病灶總數(shù)(DL)、真陽病灶數(shù)(LL)和金標(biāo)準(zhǔn)病灶數(shù)(TL)，計(jì)算敏感度=LL/TL×100%，準(zhǔn)確率=LL/DL×100%。當(dāng)樣本數(shù)(n)≥40且理論頻數(shù)(T)≥5時(shí)，采用Pearsonχ2檢驗(yàn)；n≥40且1≤T<5時(shí)，行連續(xù)校正χ2檢驗(yàn)；n<40和/或T<1時(shí)，采用Fisher精確概率法。P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

73例患者中， 71例(71/73，97.26%)為致密型乳腺，2例(2/73，2.74%)為非致密型乳腺；共于195幀乳腺X線片中標(biāo)注121個(gè)乳腺病灶，其中軟組織病灶88個(gè)(88/121，72.73%)、鈣化灶33個(gè)(33/121，27.27%)；BI-RADS 2類17個(gè)(17/121，14.05%)，3類66個(gè)(66/121，54.55%)，4a類19個(gè)(19/121，15.70%)，4b類12個(gè)(12/121，9.92%)，5類7個(gè)(7/121，5.79%)。

2.1 AI輔助前后乳腺病灶檢出效能比較 相對于單純醫(yī)師閱片，AI輔助下，醫(yī)師1對乳腺病灶檢出敏感度和準(zhǔn)確率分別提升30.58%和22.07%(P均<0.001)，醫(yī)師2敏感度提升20.66%(P<0.001)而準(zhǔn)確率略有下降(P>0.05)，醫(yī)師3準(zhǔn)確率提升25.80%(P<0.001)而敏感度略有下降(P>0.05)。AI輔助下，3名醫(yī)師總體診斷敏感度和準(zhǔn)確率均顯著提升(P均<0.001)。見表1及圖1～3。

圖1 患者女，48歲，右乳BI-RADS 4c類病灶， 右乳CC位X線片，單純醫(yī)師閱片漏診右乳外上象限非對稱性致密灶(紅框內(nèi))，后經(jīng)AI輔助診斷為BI-RADS 4c類 圖2 患者女，65歲，右乳BI-RADS 4b類病灶， 右乳CC位X線片，單純醫(yī)師閱片漏診右乳外上象限結(jié)構(gòu)扭曲(紅框內(nèi))，后經(jīng)AI輔助診斷為BI-RADS 4b類 圖3 患者女，48歲，右乳BI-RADS 4a類病灶， 右乳MLO位X線片，單純醫(yī)師漏診右乳內(nèi)下象限非對稱性致密灶(紅框內(nèi))，后經(jīng)AI輔助診斷為BI-RADS 4a類

表1 單純醫(yī)師閱片與AI輔助醫(yī)師閱片檢出乳腺病灶效能比較[%(個(gè))]

2.2 AI輔助對不同類型乳腺病灶的診斷效能 相對于單純醫(yī)師閱片，AI輔助下，醫(yī)師1對軟組織病灶診斷敏感度和準(zhǔn)確率分別提升37.50%和18.44%(P均<0.01)，醫(yī)師2敏感度提升23.86%(P<0.001)而準(zhǔn)確率無明顯提升(P>0.05)，醫(yī)師3準(zhǔn)確率提升18.18%(P<0.05)而敏感度無明顯提升(P>0.05)。

AI輔助下，3名醫(yī)師對軟組織病灶總體診斷敏感度和準(zhǔn)確率分別提升23.11%和14.15%(P均<0.001)。AI輔助前后3名醫(yī)師單獨(dú)及總體對乳腺鈣化病灶診斷敏感度和準(zhǔn)確率差異均無統(tǒng)計(jì)學(xué)意義(P均>0.05)。見表2。

表2 單純醫(yī)師閱片與AI輔助醫(yī)師閱片診斷不同類型乳腺病灶的效能[%(個(gè))]

2.3 AI輔助診斷不同BI-RADS分類乳腺病灶的效能 相對于醫(yī)師獨(dú)立閱片，AI輔助下，醫(yī)師1對BI-RADS≤3類病灶診斷敏感度提升，對BI-RADS>3類病灶診斷敏感度和準(zhǔn)確率均提升(P均<0.01)；醫(yī)師2僅對BI-RADS≤3類病灶診斷敏感度提升(P均<0.01)；醫(yī)師3對BI-RADS≤3類及>3類乳腺病灶的診斷敏感度和準(zhǔn)確率均無明顯提升(P均>0.05)。AI輔助下，3名醫(yī)師對BI-RADS≤3類及>3類乳腺病灶總體診斷敏感度和準(zhǔn)確率均提升(P均<0.05)。見表3及圖4、5。

圖4 患者女，48歲，左乳CC位X線片，AI提示左乳中部2枚BI-RADS 4b類腫塊(紅框內(nèi))，后經(jīng)臨床標(biāo)準(zhǔn)驗(yàn)證為誤診 圖5 患者女，43歲，左乳MLO位X線片，AI提示左乳BI-RADS 4a類腫塊(紅框內(nèi))，后經(jīng)臨床標(biāo)準(zhǔn)驗(yàn)證為誤診

表3 單純醫(yī)師閱片與AI輔助醫(yī)師閱片對不同BI-RADS分類乳腺病灶的診斷效能[%(個(gè))]

3 討論

AI輔助診斷系統(tǒng)用于影像學(xué)診斷乳腺癌應(yīng)用前景廣闊，包括檢出乳腺病灶、判斷良惡性、病理分類及預(yù)測預(yù)后等[11]。日常影像學(xué)診斷工作量巨大，放射科醫(yī)師對于影像學(xué)資料一般不做定量分析，或僅根據(jù)少量定量數(shù)據(jù)進(jìn)行分析，解讀結(jié)果時(shí)存在偏倚和可變性。本研究所用AI軟件基于卷積神經(jīng)網(wǎng)絡(luò)，并利用深度學(xué)習(xí)算法進(jìn)行病灶自動(dòng)檢測，可為影像科醫(yī)師提供病灶的定性及定量信息。AI輔助下，3名醫(yī)師對全部乳腺病灶、對BI-RADS≤3類及BI-RADS>3類乳腺病灶、對軟組織病灶的總體診斷敏感度和準(zhǔn)確率均顯著提升，但對乳腺鈣化病灶診斷敏感度和準(zhǔn)確率無明顯改變，提示AI檢出效能受病灶類型影響：對乳腺軟組織病灶診斷敏感度較高，尤其對腺體遮擋病灶具有較高敏感度，而對鈣化灶的檢出效能相對較低原因可能在于鈣化灶多呈散點(diǎn)型或區(qū)域型分布，密度較低且無固定形狀，導(dǎo)致檢出有一定難度[12]；且對直徑較小、密度較低的鈣化點(diǎn)，醫(yī)師通常不會(huì)逐一標(biāo)注。

作為輔助診斷工具，AI軟件可提升低年資放射科醫(yī)師篩查乳腺病灶的能力，但對不同醫(yī)師的效能有所不同，可能與醫(yī)師診斷水平和主觀態(tài)度偏移有關(guān)。另外，受限于訓(xùn)練樣本量，AI對特異類型病灶的辨別能力有限。因此，AI輔助診斷對提高低年資放射科醫(yī)師檢出乳腺可疑病灶的效能具有一定臨床意義，但僅宜作為初步診斷對醫(yī)師加以提示[13]。

綜上所述，AI輔助閱片有助于提高低年資放射科醫(yī)師于乳腺X線片中檢出乳腺病變、尤其軟組織病灶的效能；但AI的魯棒性和通用性有賴于大量高質(zhì)量的臨床訓(xùn)練數(shù)據(jù)，無法取代醫(yī)師得出獨(dú)立診斷結(jié)論。另外，本組樣本量小，且為單中心回顧性研究，亦未引入高年資醫(yī)師參與閱片試驗(yàn)，有待進(jìn)一步觀察。

(致謝：感謝北京推想科技有限公司劉柏韻、譚衛(wèi)雄對本研究提供的幫助。)