乳腺癌是女性常见的恶性肿瘤之一，也是女性癌症死亡的主要原因，早期诊断和治疗是提高乳腺癌患者生存率的关键。近年来人工智能（AI） 在医学影像方面发展迅速，应用AI辅助诊断乳腺癌不仅能够减轻放射科医师的工作负担， 而且能提高乳腺癌筛查和诊断的准确性及敏感性。本文从乳腺X线、乳腺超声和MRI三个模态，对AI技术在乳腺癌影像学筛查、诊断、分型和预后中的研究现状及进展予以综述。
李佳蔚,尤超.乳腺影像人工智能的应用现状[J].临床放射学杂志,2024,43(07):1233-1236.DOI:10.13437/j.cnki.jcr.2024.07.031.
概述
乳腺癌是女性常见的恶性肿瘤之一，严重威胁女性的身 心健康，其发病率呈逐年增长的趋势[1] 。 如何早期发现乳腺癌并及时治疗，从而显著降低死亡率和改善预后，一直是临床的关注点[2] 。目前，临床上用于乳腺癌筛查和诊断的影像检查方法主要包括乳腺 X 线、乳腺超声及乳腺MRI检查。
上世纪六十年代，美国科学家John McCarrthy提出AI的概念，标志着AI时代的诞生[3] 。AI是计算机科学的一个分支，主要包括机器学习和深度学习。机器学习是指机器通过训练学习，从数据中提取描述数据的最佳特征，建立对未知数据进行处理的模型;深度学习是机器学习的一个子领域能够使计算机在不经过硬编程的情况下,使用大数据集来学习和检测数据[4]。卷积神经网络(convolutional Neural Net-work,CNN)是深度学习中最成功的网络结构，尤其是在图像处理方面取得了巨大成功。近年来,随着AI技术的不断发展，其在医学影像方面的应用已成为当今研究的热点。AI技术可以帮助放射科医师更快、更精确地发现病灶、区分良恶性病变、无创预测淋巴结转移以及分子分型,降低临床误诊漏诊率。随着AI的完善以及医疗数据的累积，AI也开始与乳腺超声、MRI以及病理图像等深度结合，切实辅助医师进行疾病的诊断，促进精准医疗的快速发展[5]。
人工智能在乳腺影像中的应用
筛查乳腺癌
筛查已被证明可以显著降低女性的死亡率[6]基于AI的计算机辅助诊断(CAD)技术可用于乳腺癌筛查，同时也是目前乳腺人工智能研究的热点，在近年的多项研究中都显示出较好的结果[7-16]。
针对筛查的乳腺人工智能研究大多应用在乳腺X线检查上，相关研究主要集中在AI是否能够辅助影像科医师提高筛查的准确率。在一项阅片者研究中[15]，对于传统2D乳腺X线片，AI自动阅片的诊断效能明显高于没有AI辅助的放射科医师阅片(AUC分别为0.940以及0.810;p<0.0001)。另有一项阅片者研究评估深度学习对检测数字乳腺断层融合成像(digital breast tomosynthesis, DBT)图像中可疑病变的价值，发现使用AI与不使用AI相比，放射科医师检测恶性病变的平均AUC提高(0.852 vs. 0.795)、敏感度提高(85%vs.77%)、特异度提高(69.6%VS.62.7%)[17]。还有学者发现基于人工智能的CAD可在乳腺X线图像上自动标记钙化、肿块或其他征象的可疑病变，与单纯的人工阅片相比，可提高乳腺癌的检出率。Cai等[18]开发CNN模型对990张乳腺X线图像中的微钙化特征进行检测、分析和分类，证实与人工提取微钙化特征相比，CNN模型提取微钙化特征在准确率和灵敏度方面都更高，CNN模型的诊断准确率也更高(87.68%vs. 86.67%)。以上研究表明，与人工阅片相比，利用乳腺X线大数据开发的AI算法在乳腺癌检测上具有更好的诊断性能[15]。
应用于乳腺超声和MRI的AI在筛查上的研究不及钼X线广泛。Jiang等[19]对比在使用和不使用基于深度学习的CAD系统的情况下，超声科医师对乳腺组织致密妇女进行筛查的准确率和阅片时间，18名超声科医师筛查185张自动乳腺超声图像(52例乳腺癌，133例无乳腺癌)，发现使用CAD系统的超声科医师的AUC值略高于未使用CAD系统的AUC值(0.848vs.0.828)，且使用CAD系统的平均阅片时间短于未使用CAD系统的平均阅片时间(2.4min/例vs.3.55min/例)。这说明基于深度学习的CAD系统有助于辅助超声科医师提高筛查的准确率和效率。Zhou等[20]通过对1537例接受乳腺动态增强磁共振成像(DCE-MRI)检查的女性图像进行回顾性分析，构建CNN模型实现对乳腺恶性肿瘤的筛查，AUC值达0.836。该模型可以作为辅助工具帮助提高癌症筛查的特异度。
区分良恶性病变
近几年的研究发现，应用于乳腺X线、超声和MRI的AI辅助诊断乳腺疾病不仅可以提高诊断的敏感度和特异度，还特别有助于良恶性疾病的鉴别，从而减少不必要的活检。
在乳腺X线模态中，有研究利用113张乳腺X线独立数据集，应用CNN模型进行良恶性病变的鉴别，AUC为0.99[21]。Akselrod-balin等[22]将传统的机器学习和深度学习技术相结合建立乳腺X线图像中良恶性肿块的鉴别模型，对9611张图像进行模型训练，最终结果显示，使用该模型鉴别乳腺X线图像中良恶性肿块的AUC值为0.91，诊断的特异度和敏感度分别为77.3%和87%，这说明该模型具有鉴别良恶性肿块的潜力。
乳腺超声具有安全、便携及低成本等特点，因此也是乳腺癌检查中的一种应用非常普遍的手段。基于AI的乳腺超声的分类技术也越来越多地应用在临床诊断中，该技术作为辅助手段，在区分乳腺良恶性病变中具有重要意义。Fujioka等[23]采集96个乳腺良性肿块的480张超声图像和144个乳腺恶性肿块的467张超声图像作为训练数据，利用CNN模型对图像进行预测，并让3名放射科医师对上述图像进行诊断。结果显示，CNN模型预测良恶性肿块的准确率、敏感度和特异度均高于放射科医师(92.5% vs. 65.8%~79.2%、95.8%vs.58.3%~91.7%92.5%vs.60.4%~77.1%)。Becker等[24]使用深度学习软件对637张乳腺超声图像(84个恶性病变，553个良性病变)进行分类，将结果与3名具有不同专业知识的人员(放射科医师、住院医师和训练有素的医学院学生)的分类结果进行比较，最终结果显示，仅在几百张图像上训练的CNN模型对良恶性病变分类的准确率与放射科医师相当。Byra等[25]提出一种带有迁移学习策略的CNN模型，该模型使用VGGNet-19在ImageNet 数据集上进行预训练，并在882张乳腺超声图像上对乳腺良恶性病变进行分类，结果显示，性能较好的CNN模型的AUC值显著高于放射科医师的最高AUC值(0.936vs.0.882)。以上这些研究表明，深度学习软件可以在乳腺超声图像上鉴别良恶性病变,其准确率甚至高于放射科医师。
此外，Jiang等[26]让19名研究乳腺影像的放射科医师在DCE-MRI中对111例乳腺良恶性病变(57例良性，54例恶性)进行分类，对比仅使用常规CAD评估软件的分类结果和使用CAD软件的同时还用AI进行补充分析的分类结果。研究发现，使用AI系统时,放射科医师的平均AUC从0.71提高到0.76(P=0.04)，由此可见，AI系统的使用也可以提高放射科医师在MRI上鉴别乳腺良恶性病变的能力。Truhn等[27]回顾性分析了447例乳腺癌患者的DCE-MRI图像，通过影像组学及CNN方法分别预测病灶的良恶性，结果显示CNN对强化病灶的良恶性鉴别优于影像组学，AUC为0.88。
预测淋巴结转移
乳腺癌发生转移的第一站淋巴结称为前哨淋巴结，通过影像检查在术前精确、无创地预测乳腺癌患者腋窝和前哨淋巴结转移情况，对乳腺癌的分期和治疗有重要意义。用于预测乳腺癌患者腋窝淋巴结转移情况的AI目前多应用于超声和MRI上，相关研究也主要围绕这两个模态展开。
AI可为临床上诊断为淋巴结阴性的乳腺癌患者提供淋巴结转移的早期诊断。有研究表明，在由834例乳腺癌患者的1055张乳腺超声图像组成的独立测试集中，性能最好的CNN模型Inception V3预测胶窝淋巴结转移的AUC值为0.89(95%CI:0.83~0.95)，该模型的敏感度和特异度均高于放射科医师(85%vs.73%,73%vs.63%)[28]。另有学者提出计算机辅助的淋巴结双模态评估可用于预测乳腺癌患者的腋窝淋巴结转移情况。Ha等[29]设计的CNN模型纳入275张乳腺癌患者腋窝淋巴结的MRI图像(其中133张有腋窝淋巴结转移，142张无腋窝淋巴结转移)，利用这些图像对模型进行训练和验证，结果该模型预测腋窝淋巴结转移的平均准确率达到84.3%，说明用该模型预测腋窝淋巴结转移是可行的。Ha等[30]还使用CNN模型，将化疗前的乳腺MRI图像作为数据集，以最终病理结果为金标准来预测新辅助化疗后腋窝淋巴结是否达到病理完全缓解。结果显示，该模型预测的准确率为83%，敏感度为93%，特异度为77%，AUC值为0.93,这表明该模型能较好地预测新辅助化疗后腋窝淋巴结的状态，从而合理预测患者的预后。
分型
根据ER、PR、Ki-67、HER2等标志物状态的不同乳腺癌可分为LuminalA型、Lumina1B型、HER2阳性基底样型、三阴性等特殊类型。近年来，利用放射影像对乳腺癌亚型进行定性研究也取得一定进展。
一项研究表明，数字乳腺X线图像提取的乳腺肿瘤的定量放射成像特征与乳腺癌亚型相关，其中圆度、凹度、灰度均值和相关性4种特征在众多亚型中具有统计学意义[31]。
有学者提出通过乳腺癌患者乳腺超声图像上的超声特征能够无创获得乳腺癌的分子亚型。Zhang等[32]发现不同的乳腺瘾分子亚型可对应不同的超声特征,如Luminal A型对应的超声特征为有回声光环后的声影；Luminal B型对应的超声特征为无回声光环和丰富的血供；HER2阳性型对应的超声特征为后部强回声钙化和丰富的血供；三阴性乳腺癌对应的超声特征分为两种，一种是无钙化的不规则分叶型和血供不足；另一种是缺乏血供的椭圆形分叶型和微分叶型。
此外，随着AI技术在MRI应用中的不断升级和完善，基于MRI的AI技术对乳腺癌的分型也有重要发现。Ha等[33]开发的一种CNN算法，可以根据乳腺MRI图像上的特征预测乳腺癌的分子亚型。该研究将216例乳腺腺癌患者(74例Luminal A型，106例Luminal B型，13例HER2阳性型，23例三阴性乳腺癌)的MRI图像作为数据集，用该算法预测乳腺癌的分子分型,符合率为70%，AUC为0.853。
预测预后
应用AI技术对乳腺癌预后预测的研究报道目前较少有研究表明，乳腺超声[34]利用AI技术对乳腺癌数字图像数据集进行分析和分类，比较病变感兴趣区域在化疗前后的肿瘤图像特征，从而协助医师评估患者的化疗疗效和预后。还有研究表明，机器学习联合乳腺多参数MRI可以高精度地早期预测乳腺癌患者新辅助化疗后是否达到病理完全缓解以及乳腺癌患者的生存结果。机器学习与多参数MRI的结合可以为治疗结果和复发风险提供有价值的预测信息，从而指导治疗决策，这是实现乳腺癌精准医疗的关键一步[35]。此外，基于MRI组学的最新研究发现，表征瘤周及瘤内异质性的影像特征可提示乳腺癌患者预后，具有临床应用前景[36,37]。
结论与展望
综上所述，AI在辅助筛查和诊断乳腺癌、预测乳腺癌分子亚型及其预后方面具有很好的发展前景，基于AI的算法及模型在乳腺癌筛查和乳腺病变良恶性鉴别的临床应用已达到较好的准确性。AI在乳腺影像上的应用不仅可以提高放射科医师工作效率，减少漏诊误诊，并有望有效改善患者预后。但是，乳腺影像AI技术的蓬勃发展离不开规范化的乳腺影像大数据库，一方面需要通过增加公开数据库的范围，在大数据的基础上进行小数据集特征优化(精细标注)另一方面需要研究人员提出更适用于医学图像的深度学习模型。同时，未来应用AI联合乳腺X线、MRI及超声多模态诊断，以期进一步提高诊断效能。虽然目前AI技术应用于乳腺影像领域还面临许多困难和挑战，但其前景是广阔的。
略
本文仅供专业人士参看，文中内容仅代表临床放射学杂志立场与观点，不代表肿瘤资讯平台意见，且肿瘤资讯并不承担任何连带责任。若有任何侵权问题，请联系删除。版权归文章作者所有，作者拥有所有法定权利。
苏公网安备 32059002004080号
