王惠，楊新武，陳飛，朱孔強(qiáng)，李玄博，余晶，郭順林,3*

1.蘭州大學(xué)第一臨床醫(yī)學(xué)院，甘肅 蘭州 730000；2.蘭州大學(xué)第一醫(yī)院超聲科，甘肅 蘭州 730000；3.蘭州大學(xué)第一醫(yī)院放射科，甘肅 蘭州 730000；4.北京工業(yè)大學(xué)計算機(jī)學(xué)院信息學(xué)部，北京 100124；*通信作者 郭順林 guoshl2021@163.com

人工智能和醫(yī)學(xué)影像結(jié)合是精準(zhǔn)醫(yī)學(xué)發(fā)展的必然[1]。乳腺癌是醫(yī)學(xué)影像人工智能輔助研究較多的領(lǐng)域[2]。從計算機(jī)輔助檢測系統(tǒng)應(yīng)用于乳腺X線檢查開始，醫(yī)學(xué)影像學(xué)正從一個依靠器官感知的技能領(lǐng)域轉(zhuǎn)變?yōu)橐粋€更加準(zhǔn)確、客觀、高效的圖像分析學(xué)科。

審核大量影像數(shù)據(jù)已成為影像醫(yī)師面臨的重大挑戰(zhàn)，而人工智能是提升工作效率的首選方法[3]。同時，面對一系列臨床問題，人工智能能夠定量分析醫(yī)學(xué)影像大數(shù)據(jù)，實現(xiàn)臨床輔助決策。人工智能包括機(jī)器學(xué)習(xí)和深度學(xué)習(xí)兩種方法。傳統(tǒng)機(jī)器學(xué)習(xí)包括特征提取和分類兩個步驟，深度學(xué)習(xí)主要采用網(wǎng)絡(luò)模型提取特征，并利用傳統(tǒng)機(jī)器學(xué)習(xí)進(jìn)行分類。機(jī)器學(xué)習(xí)工作流程包括：①圖像采集；②圖像標(biāo)準(zhǔn)化；③圖像分割和感興趣區(qū)標(biāo)記；④特征提取、選擇；⑤構(gòu)建模型。機(jī)器學(xué)習(xí)通常采用隨機(jī)森林、遞歸消除、χ2檢驗進(jìn)行特征選擇，并利用支持向量機(jī)、Logistic回歸、XGBoost構(gòu)建分類器。近來，深度學(xué)習(xí)在醫(yī)學(xué)領(lǐng)域大放異彩，其性能遠(yuǎn)超傳統(tǒng)機(jī)器學(xué)習(xí)。深度學(xué)習(xí)通過優(yōu)化算法教會模型識別圖像模式，其中卷積神經(jīng)網(wǎng)絡(luò)是應(yīng)用最多的網(wǎng)絡(luò)模塊。本文回顧人工智能輔助乳腺影像的臨床研究，分析其面臨的挑戰(zhàn)及應(yīng)對策略。

1 乳腺X線人工智能輔助檢查

乳腺X線是乳腺癌篩查的首選影像學(xué)檢查之一，但對亞洲女性致密型乳腺的敏感度較低[4]，漏診率和假陽性率較高。因此，乳腺X線人工智能輔助檢查主要用于提高乳腺癌的檢測準(zhǔn)確度[5]。此外，還可通過評估乳腺密度，進(jìn)行癌癥風(fēng)險分層[6]。

關(guān)于提升乳腺癌的檢測準(zhǔn)確度，Qu等[7]比較多種深度學(xué)習(xí)模型性能，發(fā)現(xiàn)部分甚至超過影像專家水平。WU等[8]也證實了人工智能輔助影像醫(yī)師可顯著提升乳腺癌的檢測能力。不同于單中心回顧性研究，KIM等[9]開展了一項基于乳腺X線的國際研究，結(jié)果顯示人工智能模型在腫瘤探測、不對稱和扭曲結(jié)構(gòu)識別方面均優(yōu)于影像醫(yī)師。此外，另一項國際研究也認(rèn)為人工智能輔助乳腺X線檢查還能安全有效減少影像醫(yī)師70%～80%的工作量[10]。這些研究成果充分展示人工智能技術(shù)對乳腺X線診斷價值的顯著提升。另外，致密型乳腺是乳腺癌的獨立危險因素。目前，對乳腺分型尚依賴于影像醫(yī)師的主觀判斷。對比人工智能對乳腺密度的定量評估與影像醫(yī)師的定性判斷，發(fā)現(xiàn)人工智能的可靠性明顯高于后者[11-12]。因此，乳腺X線人工智能輔助檢測可為乳腺癌風(fēng)險預(yù)測提供客觀、定量的指標(biāo)。

2 乳腺超聲人工智能輔助檢查

超聲檢查對乳腺癌有較高的敏感度。因此，乳腺超聲人工智能輔助檢查的主要價值在于提升乳腺病灶鑒別診斷準(zhǔn)確度。此外，人工智能輔助預(yù)測腋窩淋巴結(jié)轉(zhuǎn)移的價值也不可忽視[13]。

運用人工智能技術(shù)，侯銀等[14]構(gòu)建乳腺超聲圖像的機(jī)器學(xué)習(xí)模型，鑒別乳腺惡性病灶的曲線下面積（AUC）和準(zhǔn)確度分別達(dá)到0.931、0.901。也有研究[15]發(fā)現(xiàn)乳腺癌邊緣分葉較多，熵值更低，乳腺良性病灶內(nèi)部鈣化較多，病灶長軸與皮膚角度更大。一項人工智能和影像醫(yī)師的對比研究證實深度學(xué)習(xí)模型能夠提升影像醫(yī)師操作及診斷的組內(nèi)和組間一致性[16]。以上研究說明人工智能能夠增強(qiáng)乳腺超聲檢查的標(biāo)準(zhǔn)化程度，從而提升診斷準(zhǔn)確性和可重復(fù)性。

與常規(guī)超聲相比，自動乳腺容積掃查（automated breast volume scan，ABVS）提供了大視野、多平面、三維成像，標(biāo)準(zhǔn)化的圖像采集流程降低了對影像醫(yī)師經(jīng)驗的依賴。Wang等[17]提取乳腺病灶A(yù)BVS橫斷面和冠狀面特征，比較多種機(jī)器學(xué)習(xí)模型對乳腺病灶分類性能，最優(yōu)模型AUC、敏感度和準(zhǔn)確度分別為0.857、0.879、0.807。Wang等[18]提取ABVS的橫斷面、矢狀面和冠狀面圖像特征，利用遷移學(xué)習(xí)模型對乳腺良、惡性病灶鑒別診斷，其AUC、敏感度和特異度分別為0.9468、0.886、0.876。由此可見，ABVS是人工智能輔助乳腺影像的良好超聲模態(tài)，人工智能輔助ABVS是乳腺影像今后發(fā)展的一個重要方向，具有巨大發(fā)展?jié)摿涂臻g。

超聲彈性作為常規(guī)超聲的輔助診斷，在與人工智能結(jié)合后，也能更好地發(fā)揮對乳腺癌患者的臨床診斷價值。Qiu等[19]基于腋窩淋巴結(jié)灰階及硬度特征預(yù)測腋窩淋巴結(jié)轉(zhuǎn)移的AUC和準(zhǔn)確度分別為0.895、0.845，證實人工智能與超聲新技術(shù)聯(lián)合，能進(jìn)一步提升輔助診斷準(zhǔn)確度。

3 MRI人工智能輔助檢查

MRI檢查對乳腺癌有良好的診斷敏感度，并可作為評估乳腺癌的影像學(xué)標(biāo)志物。因此，乳腺MRI是人工智能輔助研究最為廣泛和深入的乳腺影像模態(tài)[20]。同時，MRI在乳腺病灶測量方面優(yōu)于乳腺X線和超聲檢查[21]，在乳腺癌篩查、分子分型預(yù)測和新輔助化療（neoadjuvant chemotherapy，NAC）療效及預(yù)后評估中有更廣闊的應(yīng)用前景。

人工智能在提升乳腺MRI診斷性能方面具有重要價值。將人工智能乳腺分類系統(tǒng)應(yīng)用于多參數(shù)MRI檢查，最高AUC達(dá)到0.852，并且能提高診斷特異度[22]。利用4D影像組學(xué)模型對乳腺MRI圖像進(jìn)行分類，可以提升分類準(zhǔn)確度，并且減少不必要的活檢穿刺[23]。由此可見，人工智能輔助MRI有助于挖掘MRI對乳腺病灶的潛在診斷價值。

預(yù)測乳腺癌分子分型是人工智能輔助MRI的一項重要臨床應(yīng)用。李薇等[24]報道動態(tài)增強(qiáng)MRI影像組學(xué)特征可以精確預(yù)測乳腺癌激素受體狀態(tài)和分子分型。雖然人工智能輔助MRI不能替代有創(chuàng)的活檢穿刺，但人工智能依據(jù)整個腫瘤的影像組學(xué)特征預(yù)測分子分型，較穿刺活檢具有更高的預(yù)測價值。因此，人工智能輔助MRI能為乳腺癌基因靶向治療提供術(shù)前無創(chuàng)預(yù)測工具。

人工智能輔助MRI可在疾病早期或治療前預(yù)測NAC療效[25]，有助于避免NAC后病理完全緩解患者進(jìn)行不必要的手術(shù)，或提示治療無效患者及時手術(shù)，減少NAC的潛在毒性作用。Bitencourt等[26]聯(lián)合機(jī)器學(xué)習(xí)與臨床因素評估人表皮生長因子受體-2過表達(dá)型乳腺癌NAC后反應(yīng)，預(yù)測病理完全緩解準(zhǔn)確性達(dá)0.839。該研究為乳腺癌患者個體化、精準(zhǔn)醫(yī)療提供及時、準(zhǔn)確的影像學(xué)依據(jù)，科學(xué)指導(dǎo)臨床決策。

乳腺癌預(yù)后是人工智能輔助乳腺MRI的另一關(guān)鍵臨床研究。目前，復(fù)發(fā)基因評分是評估乳腺癌復(fù)發(fā)的“金標(biāo)準(zhǔn)”，但費用高、有創(chuàng)性限制了其臨床應(yīng)用。將動態(tài)增強(qiáng)MRI特征與Curebest95基因關(guān)聯(lián)，能準(zhǔn)確預(yù)測雌激素受體陽性乳腺癌的復(fù)發(fā)風(fēng)險[27]。該研究為乳腺癌患者的術(shù)后監(jiān)測和隨訪提供準(zhǔn)確、可靠的影像組學(xué)預(yù)測模型。

4 小結(jié)與展望

人工智能輔助乳腺影像技術(shù)尚需進(jìn)一步發(fā)展和完善。目前，在臨床工作中實施人工智能技術(shù)的主要困難是缺乏標(biāo)準(zhǔn)化影像檢查方案和大樣本數(shù)據(jù)集。此外，不同儀器生產(chǎn)商的圖像存在差異。并且乳腺影像缺乏一個標(biāo)準(zhǔn)化的圖像分割（二維和三維）、特征提取及選擇和分類方法。未來可通過批處理方法對影像特征進(jìn)行統(tǒng)一化，以構(gòu)建來源于不同地區(qū)、不同國家、不同人種的乳腺癌數(shù)據(jù)庫。同時，加快人工智能輔助乳腺影像研究的質(zhì)量評分制訂，從研究設(shè)計、成像方案、統(tǒng)計分析、圖像質(zhì)量評估和標(biāo)準(zhǔn)化操作流程環(huán)節(jié)進(jìn)行質(zhì)控。同時應(yīng)進(jìn)行多中心、大數(shù)據(jù)研究，有助于按人群或腫瘤類型進(jìn)行亞類分析，并且有利于模型的獨立測試，從而推動人工智能輔助乳腺影像技術(shù)從理論到臨床實踐的轉(zhuǎn)化應(yīng)用。