基于深度学习技术对三阴性乳腺癌的多模态影像学研究_蔡振德.pdf

85CHINESE JOURNAL OF CT AND MRI,FEB.2023,Vol.21,No.02 Total No.160【第一作者】蔡振德，男，主治医师，主要研究方向：乳腺影像诊断。E-mail：【通讯作者】罗慧，女，主任医师，主要研究方向：乳腺及浅表器官超声诊断。E-mail：论 著Multimodal Imaging Study of Triple Negative Breast Carcinoma Based on Deep Learning TechnologyCAI Zhen-de1,2,MA Jie2,LUO Hui3,*.1.Shantou University Medical College,Shantou 515000,Guangdong Province,China2.Department of Radiology,Shenzhen Peoples Hospital,Shenzhen 518020,Guangdong Province,China3.Department of Ultrasound,Shenzhen Peoples Hospital,Shenzhen 518020,Guangdong Province,ChinaABSTRACTObjective To compare the diagnostic efficacy of digital mammography(DM)combined with artificial intelligence diagnostic system(AI)with ultrasound(US)and dynamic enhanced MRI(DCE-MRI)in the diagnosis of triple-negative breast neoplasms(TNBC),and evaluate the role of AI.Methods 42 cases of TNBC and 68 cases of benign breast cancer were collected.All cases had complete preoperative data of DM,US and DCE-MRI.The data of DM,US and DCE-MRI of breast were reviewed,and a set of diagnostic results were obtained respectively.In addition,the DM images were diagnosed by AI and AI joint radiologist respectively,and two sets of results were obtained.The subject operating characteristic curves,area under curve(AUC),specificity,sensitivity,positive predictive value and negative predictive value of the five diagnostic methods were compared and analyzed,and the consistency of each diagnostic method was compared.Results The AUC value of DM(radiologist)group was the lowest,while the AUC value of DM(AI+radiologist)group was the highest,which was 0.770,better than US and DCE-MRI.The sensitivity of DCE-MRI and US examination was the highest,but its specificity was poor.Conclusion In the study,DM(radiologist)combined with AI can effectively improve its diagnostic efficacy in triple-negative breast cancer,and its comprehensive diagnostic efficacy is slightly better than that of MRI.Keywords:Triple Negative Breast Neoplasms;Ultrasound;Mammography;MRI;Artificial Intelligence 乳腺癌是我国女性中发病率最高的恶性肿瘤1。三阴性乳腺癌(triple-negative breast carcinoma,TNBC)是一种细胞表面雌激素受体、孕激素受体及表皮生长因子受体2表达均为阴性的特殊类型乳腺癌，在乳腺癌中约占15-202。它具有侵袭性强，远处转移发生较早，复发率较高等特点 3-4；内分泌治疗和药物靶向治疗效果不佳，预后不良5-6。但TNBC 对新辅助化疗敏感性较好，早期诊断对治疗方案的选择有重要作用，有利于患者的预后康复7,8。数字乳腺X线摄影(data mammography，DM)、超声(Ultrasound，US)、动态增强MRI(dynamic contrast-enhanced MRI，DCE-MRI)是早期诊断乳腺癌的几种常见检查方法9。由于TNBC缺乏恶性肿瘤的典型影像表现 5，传统影像学检查，尤其是DM检查，对TNBC诊断效能不高，导致漏诊，耽误患者治疗。本研究旨在探讨人工智能(artificial intelligence，AI)辅助诊断系统(以下简称AI)在DM对TNBC诊断中的作用，并对比研究乳腺DM(AI)、DM(医师)、DM(AI+医师)、US及DCE-MRI诊断对TNBC的诊断效能。1 资料与方法1.1 一般资料 回顾2014年4月至2022年1月在深圳市人民医院诊治乳腺疾病并接受手术治疗的患者中，收集TNBC42例，年龄为51.59.2岁；乳腺良性病变68例，年龄44.38.9岁；所有病例合计110例，均为女性，共110个病灶。另收集术前完成乳腺DM、US和DCE-MRI检查的纳入标准：所有病灶均在病灶穿刺术或切除术前完成乳腺DM、US和DCE-MRI检查；其中DM片拍摄体位包括乳腺头足位(cranio-caudal view，CC)、内外斜位(medio-lateral oblique，MLO)；影像检查前无乳腺手术、放射治疗和化学治疗等病史。所有病灶均有组织病理结果。排除标准：良性病例中，术后半年内同侧乳腺新发现乳腺癌者；图像质量欠佳，影响诊断。1.2 设备与检查方法1.2.1 乳腺X射线检查 采用美国GE公司的DMRPLUS乳腺X射线机，常规拍摄CC位及MLO位。1.2.2 超声检查 采用飞利浦IU22 彩色超声诊断仪，高频线阵探头，频率5-12MHz，仰卧位，双手高举过头，以充分暴露双乳及腋窝。分别对乳腺4个象限、乳晕及腋窝进行多切面扫查。1.2.3 增强磁共振扫描 采用西门子kyra3.0T超导核磁共振扫描仪，使用4通道乳腺专用测定线圈，取俯卧位。进行平扫及动态增强扫描。增强扫描，静脉注射对比剂钆喷酸葡基于深度学习技术对三阴性乳腺癌的多模态影像学研究蔡振德1,2 马 捷2 罗 慧3,*1.广东省汕头大学医学院 (广东 汕头 515000)2.广东省深圳市人民医院放射科 (广东 深圳 518020)3.广东省深圳市人民医院超声科 (广东 深圳 518020)【摘要】目的 对比研究数字乳腺X线摄影(DM)在联合人工智能诊断系统(AI)后与超声(US)、动态增强MRI(DCE-MRI)等影像学检查对三阴性乳腺癌(TNBC)的诊断效能，并评估AI的作用。方法 收集TNBC 42例，乳腺良性病例68例，所有病例均有完整术前的DM、US和DCE-MRI检查资料。回顾乳腺DM、US与DCE-MRI影像资料，各得出一组诊断结果；另由AI、AI联合医师分别对DM图像进行诊断，得出两组结果。对比分析5种诊断方法的受试者工作特征曲线、曲线下面积(AUC)、特异度、敏感度、阳性预测值和阴性预测值，并对比各诊断方法的一致性。结果 各诊断方法的AUC值中DM(医师)组最低，而DM(AI+医师)组AUC值最高，为0.770，优于US、DCE-MRI；DCE-MRI与US检查的敏感度最高，但其特异度较差。结论 此研究中DM(医师)联合AI可以有效提高其对三阴性乳腺癌的诊断效能，其综合诊断效能略优于磁共振检查。【关键词】三阴性乳腺癌；超声；乳腺X线摄影；MRI；人工智能【中图分类号】R737.9【文献标识码】A DOI:10.3969/j.issn.1672-5131.2023.02.03086中国CT和MRI杂志2023年02月 第21卷 第02期 总第160期胺0.2mmol/kg。1.2.4 乳腺X射线人工智能辅助诊断系统(AI)本研究采用由平安科技公司研发的乳腺X线摄影人工智能辅助诊断系统。将110例患者双侧乳腺DM图像以标准协议的Dicom格式作为输入工作站，AI通过系统中的Ipsilateral Branch(同侧双机位模型)、BiLateral Branch(双侧同机位模型)，结合乳腺的对称性，找出图像上的可疑病灶区域，并标记病变部位、范围；同时提取该病灶特征，根据该诊断模型在深度学习(deep learning，DL)训练时提取病变的病灶特征，系统做出评分，结合一定的阈值，系统最终会输出一个影像报告及数据系统(breast imaging report and data system，BI-RADS)诊断分类，见图1。1.3 图像的诊断及分组 回顾性分析68例良性病例及42例TNBC共110个病例的影像资料，DM、MRI、US资料分别由1名高年资放射医师A或超声医师B(乳腺影像诊断工作5年以上，中级以上职称)审阅，参考美国放射学会(American college of radiology，ACR)2013年第5版BI-RADS标准出具诊断报告。同时所有病例乳腺CC位及MLO位DM图像上传至乳腺X射线影像辅助诊断系统(AI)，AI软件独立作出诊断后，在图像上标记病变部位及BI-RADS分级。四周后把脱敏的原始DM图像及AI诊断标记后的DM图像再次交给放射医师A审阅、诊断。所有医师在诊断前均不知组织病理结果。共得出五组诊断结果。在影像诊断结果中，BI-RADS分类1-3类，作为良性的诊断，判定为阴性；BI-RADS分类4A-6类作为恶性的诊断(即TNBC)，判定为阳性。所有病例以组织病理检查结果为“金标准”，结果为TNBC者，判定为阳性；病理结果为良性病变者，判定为阴性。1.4 统计分析 采用SPSS 19.0软件，以组织病理检查结果为金标准，分析比较各种影像诊断方法(DM(AI)诊断、DM(医师)诊断、DM(AI+医师)、US医师诊断、DCE-MRI医师诊断)对TNBC诊断的受试者工作特征曲线(receiver operating characteristic curve,ROC曲线)和ROC曲线下的面积(area under ROC curve，AUC)、灵敏度、特异度、阳性预测值、阴性预测值等；比较各种诊断方法的诊断一致性采用Kappa检验及配对卡方检验。Kappa检验的一致性判断：1、kappa0.75，可以认为一致性较好；2、0.4kappa0.75，说明一致性一般(中等)；3、kappa0.4，则表明一致性较差。同时，P0.05，说明kappa 具有统计学意义。McNemar检验(配对卡方检验)P0.05，说明两者检验结果有差异。2 结 果2.1 病理结果110例患者110个病灶 所有病灶病理