劉 瑞,袁文佳,劉 巍

鄭州大學(xué)附屬腫瘤醫(yī)院(河南省腫瘤醫(yī)院)超聲科 鄭州 450003

乳腺癌是當(dāng)今女性惡性腫瘤發(fā)病率最高的腫瘤類型之一,也是女性因癌癥死亡的主要原因之一,40～50歲是發(fā)病高峰時(shí)期。流行病學(xué)資料顯示,女性乳腺癌患者占新診癌癥的30%[1],而每年死于乳腺癌的女性約占女性死亡人數(shù)的1.6%[2]。同時(shí)另一組數(shù)據(jù)[3]表明,盡早進(jìn)行乳腺癌篩查可降低25%～30%的乳腺癌病死率;參與乳腺癌篩查計(jì)劃的女性確診后10 a內(nèi)的乳腺癌病死率降低[4]。因此早期診斷,盡早采取治療有助于提高乳腺癌的預(yù)后。然而有研究[5]指出,單純?nèi)橄儆跋駥W(xué)檢查會遺漏20%～30%的惡性病例,閱片醫(yī)師經(jīng)驗(yàn)和操作水平以及圖像清晰程度等影響診斷結(jié)果。隨著人工智能在新型醫(yī)療領(lǐng)域中的應(yīng)用,利用新技術(shù)提高乳腺良惡性病灶診斷準(zhǔn)確率成為近年來研究的熱點(diǎn)。本研究探討了基于人工智能深度學(xué)習(xí)算法的超聲診斷系統(tǒng)在觸診陰性的乳腺結(jié)節(jié)良惡性鑒別中的應(yīng)用價(jià)值,現(xiàn)將結(jié)果報(bào)道如下。

1 對象與方法

1.1 研究對象將2019年3月至2022年3月鄭州大學(xué)附屬腫瘤醫(yī)院收治的120例乳腺結(jié)節(jié)患者作為研究對象并進(jìn)行回顧性分析。納入標(biāo)準(zhǔn):①術(shù)前觸診陰性,并于我院行超聲檢查、超聲彈性成像以及S-Detect檢查。②術(shù)后有完整的病理組織學(xué)報(bào)告。③簽署知情同意書。排除標(biāo)準(zhǔn):①非原發(fā)性乳腺惡性腫瘤。②術(shù)前有化療或放療治療史。③接受過激素療法治療。④病灶結(jié)節(jié)直徑>5 cm導(dǎo)致超聲探頭無法完全包絡(luò)。⑤圖像質(zhì)量不佳。⑥多灶性乳腺癌患者。120例均為女性患者,年齡28～62(45.74±18.66)歲。

1.2 超聲檢查首先對所有患者行常規(guī)超聲及超聲彈性成像檢查。采用RS80A超聲診斷儀(韓國SAMSUNG公司)進(jìn)行檢查,選擇線陣高頻超聲探頭,患者取仰臥位,豎直抬高手臂,充分暴露胸部病灶區(qū)域。設(shè)置探頭頻率為6～15 MHz,以乳頭為中心進(jìn)行掃查。發(fā)現(xiàn)目標(biāo)結(jié)節(jié)后對周圍進(jìn)行交替檢查,記錄結(jié)節(jié)的特征,包括位置、大小、回聲情況及內(nèi)部血流信號情況。結(jié)節(jié)信息采集完畢后切換為超聲彈性成像模式,將探頭放置于病灶部位,取樣框設(shè)置為病灶的2～3倍,適當(dāng)加壓,調(diào)整壓力釋放頻率在2.5 MHz左右,取圖像質(zhì)量最佳的時(shí)刻保存圖像。最后切換至RS80A超聲診斷儀自帶的人工智能S-Detect模式,設(shè)置探頭頻率為5～13 MHz,以結(jié)節(jié)的最大徑和垂直切面作為標(biāo)準(zhǔn)層勾畫病灶區(qū)域,利用軟件自動分析程序評估結(jié)節(jié)性質(zhì)。

1.3 判斷標(biāo)準(zhǔn)超聲檢查圖像結(jié)果由同一位具有資深臨床經(jīng)驗(yàn)的醫(yī)師進(jìn)行閱片和判讀。根據(jù)第5版乳腺BI-RADS分類標(biāo)準(zhǔn)[6]進(jìn)行評估,≤4A類為良性,≥4B類為惡性。病灶組織硬度彈性評分標(biāo)準(zhǔn)為改良5級評分法[7],1分為正常,區(qū)域內(nèi)2/3為綠色;2分為區(qū)域內(nèi)藍(lán)綠相間;3分為病灶區(qū)域以藍(lán)色為主,周圍區(qū)域呈綠色;4分為區(qū)域整體為藍(lán)色,內(nèi)部有少許綠色;5分為病灶區(qū)域內(nèi)整體及周圍均為藍(lán)色;≤3分為良性,≥4分為惡性。采用Adler半定量法對血流情況進(jìn)行分級,0級為結(jié)節(jié)內(nèi)無血流信號,Ⅰ級為結(jié)節(jié)內(nèi)存在1～2個(gè)星點(diǎn)狀或細(xì)棒狀的血流信號,Ⅱ級為結(jié)節(jié)內(nèi)存在1條較大的血管或3～4個(gè)點(diǎn)狀血流信號,Ⅲ級為結(jié)節(jié)內(nèi)存在3條以上較大的血管且結(jié)節(jié)內(nèi)血流較豐富。0級和Ⅰ級診斷為良性,Ⅱ級和Ⅲ級診斷為惡性。聯(lián)合兩種診斷進(jìn)行結(jié)果判讀,兩種標(biāo)準(zhǔn)均為良性則診斷為良性,任一診斷標(biāo)準(zhǔn)為惡性則診斷為惡性。

1.4 統(tǒng)計(jì)學(xué)處理采用SPSS 23.0進(jìn)行統(tǒng)計(jì)學(xué)處理。以術(shù)后病理組織活檢結(jié)果為金標(biāo)準(zhǔn),評價(jià)超聲彈性成像、人工智能S-Detect技術(shù)以及二者聯(lián)合對乳腺結(jié)節(jié)的診斷價(jià)值。檢驗(yàn)水準(zhǔn)α=0.05。

2 結(jié)果

2.1 患者基本情況120例患者共檢查出153個(gè)乳腺結(jié)節(jié),直徑4.1～36.5(20.3±6.6) mm。組織病理學(xué)檢查:良性病灶97個(gè),其中導(dǎo)管內(nèi)乳頭狀瘤9個(gè),單純?nèi)橄傧俨?1個(gè),單純?nèi)橄倮w維腺瘤75個(gè),囊腫或?qū)Ч苣倚詳U(kuò)張2個(gè);惡性病灶56個(gè),其中浸潤性導(dǎo)管癌48個(gè),導(dǎo)管原位癌5個(gè),浸潤性小葉癌3個(gè)。

2.2 超聲彈性成像的診斷效能分析結(jié)果見表1。超聲彈性成像診斷敏感度75.00%,特異度81.44%,陽性預(yù)測值70.00%,陰性預(yù)測值84.95%,準(zhǔn)確度79.08%。

表1 超聲彈性成像的診斷效能分析 個(gè)

2.3 人工智能S-Detect診斷效能分析結(jié)果見表2。人工智能S-Detect技術(shù)診斷敏感度91.07%,特異度83.51%,陽性預(yù)測值76.12%,陰性預(yù)測值94.19%,準(zhǔn)確度86.27%。

表2 人工智能S-Detect診斷效能分析 個(gè)

2.4 人工智能S-Detect聯(lián)合超聲彈性成像對乳腺結(jié)節(jié)性質(zhì)的診斷價(jià)值結(jié)果見表3、4。聯(lián)合診斷的敏感度94.64%,特異度87.63%,陽性預(yù)測值81.54%,陰性預(yù)測值96.59%,準(zhǔn)確度90.20%,AUC(95%CI)為0.864(0.790～0.942);與單獨(dú)超聲彈性成像或單獨(dú)人工智能S-Detect相比,聯(lián)合診斷方案的準(zhǔn)確度較高。

表3 人工智能S-Detect聯(lián)合超聲彈性成像對乳腺結(jié)節(jié)性質(zhì)的診斷結(jié)果 個(gè)

3 討論

目前乳腺癌的影像學(xué)篩查手段包括超聲、磁共振成像、乳腺X射線鉬靶等,其中磁共振成像對于乳腺軟組織的分辨率較好,但檢查費(fèi)用昂貴、操作復(fù)雜,并不適合初診的乳腺結(jié)節(jié)患者的篩查;乳腺X射線鉬靶檢查對于圖像鈣化顯示的效果較好,但對于部分乳腺組織致密的惡性結(jié)節(jié)的診斷效果較差,同時(shí)對于結(jié)節(jié)內(nèi)部血流信息的提供有限;而超聲診斷無創(chuàng)、便捷、可連續(xù)掃查,是目前篩查乳腺疾病的首選影像學(xué)手段,廣泛應(yīng)用于乳腺結(jié)節(jié)的良惡性鑒別診斷。

美國放射學(xué)會更新發(fā)布的BI-RADS分類標(biāo)準(zhǔn)[5-6]中增加了圖像質(zhì)量、乳腺解剖、超聲彈性成像等標(biāo)準(zhǔn),將4A類定義為低度可疑惡性,惡性率3%～10%,4B類為中度可疑惡性,惡性率11%～50%,4C類為高度可疑惡性,惡性率51%～94%,因此本次研究將4A類及以下判為乳腺良性結(jié)節(jié),該標(biāo)準(zhǔn)規(guī)范并提高了乳腺良惡性結(jié)節(jié)的診斷準(zhǔn)確率[8]。切換至超聲彈性成像后采用改良5級評分法進(jìn)行良惡性結(jié)節(jié)的診斷,結(jié)合BI-RADS分類后超聲診斷結(jié)果中共檢出60個(gè)惡性結(jié)節(jié)和93個(gè)良性結(jié)節(jié);組織病理學(xué)結(jié)果顯示153個(gè)病灶中良性病灶共97個(gè),惡性病灶共56個(gè)。超聲診斷與組織病理學(xué)診斷結(jié)果不一致的原因分析如下:由于結(jié)節(jié)直徑過小而在超聲圖像上顯示的邊界較模糊,被BI-RADS分類為4A類;由于乳腺腺泡增生導(dǎo)致形態(tài)不規(guī)則的單純?nèi)橄傧俨”徽`診為惡性;浸潤性導(dǎo)管癌的結(jié)節(jié)彈性與組織學(xué)分級有關(guān),腫瘤分化水平越高,彈性評分越高,低組織學(xué)分級的結(jié)節(jié)影響了彈性評分,可能造成誤診。由此可見,單純超聲彈性成像診斷鑒別乳腺良惡性結(jié)節(jié)存在一定的局限性[9-10]。

S-Detect技術(shù)是基于卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法的計(jì)算機(jī)輔助診斷技術(shù),在BI-RADS分類診斷的基礎(chǔ)上對乳腺結(jié)節(jié)的大小、形態(tài)、方向、回聲情況等進(jìn)行多方面評估,利用深度學(xué)習(xí)模型自動對乳腺結(jié)節(jié)的信息作出惡性或良性的判斷[11-13]。相較于BI-RADS分類或其他主觀判斷方法,S-Detect技術(shù)受閱片醫(yī)師的主觀影響程度較小,同時(shí)由于機(jī)器自動化評估,縮短了診斷時(shí)間,提高了診斷效率。本研究中人工智能S-Detect技術(shù)共檢出67個(gè)惡性結(jié)節(jié)和86個(gè)良性結(jié)節(jié),敏感度91.07%,特異度83.51%,陽性預(yù)測值76.12%,陰性預(yù)測值94.19%,準(zhǔn)確度86.27%,相較于超聲彈性成像檢查均略高,與以往研究[14-15]結(jié)果一致;少數(shù)誤診或漏診的原因可能與部分結(jié)節(jié)太小導(dǎo)致人工智能S-Detect技術(shù)無法完全識別或部分位置較深的結(jié)節(jié)難以被S-Detect技術(shù)確認(rèn)邊緣、形態(tài)等特征信息有關(guān)。本次研究結(jié)果顯示,人工智能S-Detect技術(shù)聯(lián)合超聲彈性成像共檢出65個(gè)惡性結(jié)節(jié)和88個(gè)良性結(jié)節(jié),與組織病理學(xué)結(jié)果相比,人工智能S-Detect技術(shù)聯(lián)合超聲彈性成像診斷敏感度94.64%,特異度87.63%,陽性預(yù)測值81.54%,陰性預(yù)測值96.59%,準(zhǔn)確度90.20%,相較于單純超聲彈性成像檢查和人工智能S-Detect技術(shù)都更高,原因在于在人工智能S-Detect技術(shù)的基礎(chǔ)上結(jié)合超聲影像,即使良性病灶和惡性病灶有形態(tài)學(xué)上的重疊導(dǎo)致人工智能S-Detect技術(shù)難以鑒別也能夠通過彈性程度的差異準(zhǔn)確鑒別,實(shí)現(xiàn)了影像學(xué)檢查手段的互補(bǔ),提高診斷效能,減少臨床誤診率。

綜上所述,基于人工智能深度學(xué)習(xí)算法的超聲診斷系統(tǒng)在觸診陰性的乳腺結(jié)節(jié)良惡性鑒別中的應(yīng)用效果較好,有助于輔助臨床診斷。