薛宏偉，王培軍

（同濟大學附屬同濟醫(yī)院放射科，上海 200065）

乳腺癌在全球女性癌癥中的發(fā)病率最高，且發(fā)病率呈逐年上升趨勢。MRI 因具有軟組織分辨力更高、無電離輻射、多參數(shù)及多功能成像等優(yōu)勢，是乳腺檢查的重要技術(shù)手段。乳腺MRI 常用掃描序包括橫軸位T2WI、橫軸位T1WI、DWI、增強掃描前橫軸位脂肪抑制T1WI、動態(tài)對比增強成像（dynamic contrastenhanced MRI，DEC-MRI）等，其中DEC-MRI 不僅可顯示腫瘤強化的形態(tài)特征，還可進行后處理獲得病變強化特征的TIC 及血管重建MIP，提高了乳腺疾病的診斷準確率，還可用于乳腺癌高危女性的篩查、術(shù)前分期和治療監(jiān)控等［1］。然而，各醫(yī)院乳腺MRI掃描設(shè)備及參數(shù)不同，MRI 圖像數(shù)量多、讀片時間長，經(jīng)驗豐富的MRI 診斷醫(yī)師相對缺乏，增大了臨床醫(yī)師的工作負荷及診斷錯誤率。

深度學習通過從低級的邊緣特征，到形狀及目標部分，再到高級的整體部分，一層層將特征抽象出來。通過特征的多層級和相關(guān)的影像表達，自動提取相關(guān)的特征，有望實現(xiàn)MRI 圖像的自動分析［2-4］。其中，深度學習根據(jù)是否需要標簽數(shù)據(jù)，分為有監(jiān)督學習和無監(jiān)督學習。有監(jiān)督學習是專家先標記處理相關(guān)數(shù)據(jù)集，再用這些顯式數(shù)據(jù)集進行模型訓練得到預(yù)測模型，因此通?？傻玫捷^好的訓練結(jié)果，但需經(jīng)驗豐富的專家耗費大量時間及精力去標注數(shù)據(jù)，這也是有監(jiān)督學習的一大缺陷；無監(jiān)督學習僅根據(jù)訓練數(shù)據(jù)的特征分析將樣本最佳地分為不同的類別而無需使用標簽，因此無需專家標記，此類算法通?？衫么罅繑?shù)據(jù)的特征進行學習。目前，基于深度學習的人工智能技術(shù)在乳腺MRI 中的應(yīng)用主要集中在病灶分割、診斷及預(yù)測3 個方面，下面將從這3 個方面進行綜述。

1 病灶分割

計算機輔助診斷（computer assisted diagnosis，CAD）技術(shù)對MRI 的病變分割至關(guān)重要。然而乳腺病變分割技術(shù)存在2 個主要的問題：①需手動描繪ROI 作為標記圖像；②需大量的標記圖像用于模型構(gòu)建和參數(shù)學習。目前，應(yīng)用Sun 等［5］提出的從乳腺MRI 圖像中提取腫瘤的圖像分割框架，可成功解決乳腺病變分割的主要技術(shù)問題。但在實際臨床或?qū)嶒灜h(huán)境中，難以獲得足夠標記的MRI 圖像，暫時無法形成數(shù)量可觀的數(shù)據(jù)集。

乳腺MRI 的各種CAD 需對乳腺病灶和纖維腺體組織進行自動分割。傳統(tǒng)的圖像分析和計算機視覺技術(shù)，如模板匹配、邊緣和表面檢測等，其適用性常受研究數(shù)據(jù)集中所使用的圖像特征限制，且乳腺MRI 圖像不僅隨乳腺形狀變化，還隨不同MRI 掃描方案變化，這些不足使得利用傳統(tǒng)方法對乳腺病灶和纖維腺體組織進行分割較困難。2017 年Dalm 等［6］通過深度學習技術(shù)對乳腺病灶和纖維腺組織進行MRI 體積分割，設(shè)計了“U-net”的深度學習算法，此方法明顯優(yōu)于現(xiàn)有算法，對乳腺密度計算更精確。2019 年Zhang 等［7］使用深度學習的全卷積殘差神經(jīng)網(wǎng)絡(luò)U-Net 架構(gòu)，用于在乳腺MRI 中的纖維腺組織的分割，并在獨立的數(shù)據(jù)集中進行測試，該方法分割精度良好，且無需后期處理校對。隨著進一步完善和驗證，這種基于深度學習的分割方法可提供一種準確有效的手段量化纖維腺組織體積，以評估乳腺密度。

乳腺MRI 具有準確測量纖維腺體組織體積的潛力，可評估乳腺密度［8-11］。對乳腺密度評估及病變定位，計算機輔助MRI 評估需準確地將乳腺與身體其他組織區(qū)域分開，若背景噪聲較低，則可通過乳腺邊緣空氣信號強度的急劇改變輕松識別乳腺-空氣邊界［12-14］。然而，由于線圈相關(guān)的強度不均勻性假象和部分體積問題［15］，使乳腺邊界的檢測較困難。2016 年Ertas 等［16］發(fā)布了一種適用于乳腺MRI 的分割方法，用于支持CAD 技術(shù)對乳腺組織分析、密度評估和病變定位，成功解決了上述問題。

DCE-MRI 是乳腺MRI 最基礎(chǔ)的檢查序列，不僅可提供病灶的形態(tài)學特征，如形狀、大小，還能提供病灶的動力學參數(shù)和血管情況，如病灶強化程度、動態(tài)曲線類型、強化達峰時間及對比劑是否廓清，這些能夠更準確檢測及診斷病灶［17-18］。但由于惡性腫瘤組織存在明顯的異質(zhì)性，增強的動力學模式在腫瘤的不同部位可能是不同的［19］，因此需行圖像后處理，將不同部分病變單獨行三維重建，分析時間空間特征，進行病變診斷。Yin 等［20］提出的一種基于張量代數(shù)的新方法，利用高階奇異值分解，獲得DCE-MRI一系列圖像相關(guān)多維數(shù)據(jù)結(jié)構(gòu)，再通過多通道重建方法對病變行三維重建，重建出的病變邊界清晰連續(xù)。該方法不僅去除病變部位的強度不均分布，還抑制了背景脂肪的信號，增加了腫瘤與背景實質(zhì)的對比，提高了病變檢測及診斷效果。

2 病灶診斷

通過對乳腺MRI 病變的形態(tài)、動力學等特征分析，以及結(jié)合人工智能的輔助，放射科醫(yī)師可提高對乳腺良惡性病變及惡性腫瘤分型的診斷準確性。2020 年Jiang 等［21］研究發(fā)現(xiàn)人工智能與DCE-MRI 相結(jié)合能提高放射科醫(yī)師對乳腺病變良惡性的鑒別診斷水平。2018 年Daniel 比較了放射分析法、卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）算法、放射科醫(yī)師利用多參數(shù)乳腺MRI 對良惡性病灶的診斷情況［22］，其中放射分析法的AUC 為0.80，而CNN 算法經(jīng)過訓練之后的AUC 從0.83 提升至0.88，但兩者的AUC 均低于放射科醫(yī)師（0.98）；可見，即使在有限的訓練數(shù)據(jù)集下，CNN 在多參數(shù)乳腺MRI 成像病變分類方面還是優(yōu)于放射分析法算法，雖然CNN 診斷結(jié)果不如乳腺放射科醫(yī)師，但通過增加更豐富、更標準的訓練數(shù)據(jù)集及測試集，CNN 算法在乳腺MRI 方面的診斷具有很高的潛力。

目前，小數(shù)據(jù)集、計算時間和圖像處理的時間較長等因素阻礙了深度學習方法在放射醫(yī)學CAD 中的應(yīng)用。2017 年Antropova 等［23］提出了通過利用預(yù)先訓練的CNN 和現(xiàn)有傳統(tǒng)的計算機輔助診斷特征來解決深度學習方法在放射醫(yī)學中CAD 的效率問題。這種新穎的乳腺癌CAD 方法，與現(xiàn)有的方法相比，可更加高效地描述乳腺病變，且圖像無需預(yù)處理。在根據(jù)乳腺病灶大小、密度、邊界、形態(tài)等一般影像學特征診斷基礎(chǔ)上，Yang 等［24］建議將背景實質(zhì)增強特征整合到?jīng)Q策過程中，使用DCE-MRI 研究應(yīng)用新的定量圖像分析方法提高乳腺癌診斷性能的可行性；所提出的定量背景實質(zhì)增強特征為DCE-MRI 中乳腺腫瘤的動力學特征提供了有價值的補充信息加入的計算機輔助診斷方法可提高基于DCE-MRI 檢查對乳腺疾病的診斷水平。DWI 模型擬合的直方圖特性是提示病理分類的有價值特征，通過機器深度學習可潛在地改進分類。Vidi 等［25］研究發(fā)現(xiàn)，支持向量機使用擴散模型組合的特征，提高了對良性與惡性乳腺腫瘤分化的預(yù)測準確性，有助于乳腺癌的亞型分析。

3 病灶預(yù)測

隨著個體化、精準醫(yī)學的日益普及，腫瘤生物標志物在指導臨床治療中發(fā)揮著越來越重要的作用［26］。美國臨床腫瘤學會指南指出，生物標志物結(jié)果可提示診斷和預(yù)后，監(jiān)測乳腺癌復(fù)發(fā)或進展［27］。人工智能在乳腺MRI 中的預(yù)測主要集中于對乳腺癌亞型及Ki-67 標記值與腫瘤特征之間聯(lián)系的研究。

Ki-67 是乳腺癌一個有價值的預(yù)后指標［28］，也是化療評估的重要指標，而基于Ki-67 的術(shù)前內(nèi)分泌預(yù)后指數(shù)是復(fù)發(fā)風險的具有可行性的預(yù)測指標。Dowsett 等［29］的研究表明，通過測量接受短期內(nèi)分泌治療患者的Ki-67，可提高對腫瘤無復(fù)發(fā)生存期的預(yù)測性能。然而，由于腫瘤異質(zhì)性表達，傳統(tǒng)侵入性檢測方法（即活檢樣本）的準確性受到抽樣誤差的影響。而Liang 等［30］研究表明，乳腺癌基于MRI 的放射組學與Ki-67 之間存在相關(guān)性。

乳腺癌具有高度異質(zhì)性，不同乳腺癌亞型的臨床生物學、病理學特性和治療反應(yīng)性均不同［31］。按照第13 屆St.Gallen 國際乳腺癌會議制定的分子分型，將乳腺癌分為4 個亞型：Luminal A 型、Luminal B 型、HER-2 型和三陰性型［32］，亞型分型為臨床治療選擇提供了依據(jù)［33］。近幾年，學者們試圖將從MRI 中提取的腫瘤特征與乳腺癌的分子亞型聯(lián)系起來［34-35］，許多研究分析了定性和半定量MRI 特征與分子亞型或三陰性乳腺癌之間的關(guān)系［36-38］。Koo 等［39］發(fā) 現(xiàn)DCE-MRI 灌注參數(shù)［容量轉(zhuǎn)移常數(shù)（Ktrans）、血管外細胞外間隙容積比（Ve）和速率常數(shù)（Kep）］與預(yù)后因素及乳腺癌的三陰性亞型相關(guān)。Grimm 等［40］計算了半自動提取的成像特征，以確定定量MRI 特征與乳腺癌亞型之間的關(guān)系，結(jié)果顯示2 種動態(tài)成像特征與乳腺癌Luminal A 型和B 型之間存在中度相關(guān)性。Fan 等［41］首次使用三維容積成像特征對乳腺癌的4 種不同的分子亞型進行分類，探討從DCE-MRI 中提取的特征與臨床信息在乳腺癌分子亞型預(yù)測中的應(yīng)用。

大量研究表明，人工智能尤其是深度學習技術(shù)的快速發(fā)展，對提高乳腺MRI 的診斷性能并擴大其臨床應(yīng)用有重要作用。目前，人工智能在乳腺MRI的病變分割、檢測及病灶預(yù)測等方面均得到應(yīng)用。利用人工智能對乳腺MRI 進行研究可輔助臨床醫(yī)師進行診斷，提升其工作效率。但人工智能應(yīng)用仍有很多問題：①模型的普適性、穩(wěn)定性、可重復(fù)性等仍需更大規(guī)模的數(shù)據(jù)進行驗證，特別是不同掃描設(shè)備、不同序列及參數(shù)等數(shù)據(jù)的應(yīng)用；②深度學習乳腺MRI 的模型尚未完善，人工智能在乳腺MRI 的研究多集中在發(fā)現(xiàn)病灶及判斷良惡性方面，對于預(yù)測乳腺癌分子分型及淋巴結(jié)轉(zhuǎn)移的研究較少，且樣本量較小。③相關(guān)人工智能軟件的臨床應(yīng)用，需更加規(guī)范化的開發(fā)及使用環(huán)境。但總體上，近年來人工智能的研究越來越完善，尤其隨著精準醫(yī)療的發(fā)展，人工智能將更好地應(yīng)用于乳腺MRI 的疾病檢測、診斷、治療和風險評估等，更好地輔助臨床制訂個性化診療方案。