結(jié)合X線和超聲的神經(jīng)網(wǎng)絡(luò)在乳腺檢查的應(yīng)用

張琦 杜麗娟 唐震

摘 要：目的 探討神經(jīng)網(wǎng)絡(luò)方法在鑒別乳腺X線和超聲檢查中良惡性病變的意義。方法 對75例乳腺疾病患者的X線鉬靶及超聲檢查的數(shù)據(jù)用NN進行分析，隨機選擇30例樣本作為訓(xùn)練樣本，組成訓(xùn)練集，其余樣本組成測試集。建立NN模型，分析神經(jīng)網(wǎng)絡(luò)模型的診斷結(jié)果。結(jié)果 75例患者中，手術(shù)與病理證實乳腺惡性病變44例，乳腺良性腫瘤或腫瘤樣病變31例，鉬靶X線診斷的特異度、敏感度及診斷正確率分別為90.32%、88.64%和89.33%，B超診斷的特異度、敏感度及診斷正確率分別為87.09%、86.36%和86.67%，X線鉬靶和B超對比，差異無統(tǒng)計學(xué)意義（P>0.05）。而BP網(wǎng)絡(luò)的特異度為95.45%，敏感度為95.65%，總正確率為95.56%，高于X線鉬靶和B超，差異具有統(tǒng)計學(xué)意義（P<0.05）。結(jié)論 神經(jīng)網(wǎng)絡(luò)具有人腦的學(xué)習(xí)、不斷進步的優(yōu)點，又比人腦客觀，結(jié)合X線鉬靶和B超檢查的神經(jīng)網(wǎng)絡(luò)在判斷乳腺良惡性病變性質(zhì)方面有一定的應(yīng)用價值。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；X線鉬靶攝影；超聲檢查；乳腺病變

中圖分類號：R737.9 文獻標(biāo)識碼：A DOI：10.3969/j.issn.1006-1959.2018.13.003

文章編號：1006-1959（2018）13-0009-04

Abstract：Objective To explore the significance of neural network in the differential diagnosis of benign and malignant lesions in X-ray mammography and ultrasonography.Methods The data of X-ray mammography and ultrasonography in 75 patients with breast disease were analyzed by NN.30 samples were randomly selected as training samples to form a training set，and the remaining samples were composed of test sets.Establish a NN model and analyze the diagnosis results of the neural network model.Results Among the 75 cases，44 cases of malignant breast lesions，31 cases of benign breast tumor or tumor like lesion were confirmed by operation and pathology.The specificity，sensitivity and diagnostic accuracy of molybdenum target X-ray diagnosis were 90.32%，88.64% and 89.33% respectively.The specificity， sensitivity and diagnostic accuracy of B ultrasonic diagnosis were 87.09%，86.36% and 86.67%， respectively，there was no significant difference between X-ray mammography and B-ultrasound（P>0.05）.The specificity of BP network was 95.45%，the sensitivity was 95.65%，and the total correct rate was 95.56%，which was higher than that of X-ray mammography and B-mode ultrasound，the difference was statistically significant（P<0.05）.Conclusion Neural network has the advantages of learning and continuous improvement of human brain.It is more objective than human brain.The neural network combined with X-ray mammography and B-ultrasound has certain application value in judging the nature of benign and malignant breast lesions.

Key words：Neural network；X-ray mammography；Ultrasonography；Breast lesions

乳腺癌（mammary cancer）的發(fā)病率在全球范圍內(nèi)呈上升趨勢，位居女性惡性腫瘤第一位。近年來，女性乳腺癌的發(fā)病率和死亡率呈持續(xù)上升趨勢，并且有年輕化趨勢[1]。乳腺X線鉬靶攝影是最基本的檢查方法，特別是對于發(fā)現(xiàn)細(xì)小鈣化最有優(yōu)勢[2，3]；而乳腺超聲檢查具有簡便、無創(chuàng)、無輻射及可反復(fù)等特點，特別是對X線檢查陰性的致密性乳腺患者的檢查較具優(yōu)勢。但受到乳腺良惡性腫塊影像特征影響，這兩種影像檢查方法單獨檢查有時定性非常困難，易出現(xiàn)誤診或者漏診的情況，可能耽誤患者治療，盡管有作者聯(lián)合超聲和X線鉬靶檢查，能夠有效提高檢查水平[4，5]，但兩種檢查結(jié)論經(jīng)常矛盾，存在分析困難的問題。為了突破依賴于主觀判斷的傳統(tǒng)的乳腺病變影像診斷模式，我們嘗試應(yīng)用基于深度學(xué)習(xí)反向傳輸神經(jīng)網(wǎng)絡(luò)方法回顧性分析本院2010年3月～2016年6月進行X線鉬靶和B超檢查的乳腺病變，目的在于探討神經(jīng)網(wǎng)絡(luò)方法在鑒別乳腺影像檢查中良惡性病變的意義。

1資料與方法

1.1一般資料 選取上海浦南醫(yī)院2010年3月～2016年6月收治的經(jīng)手術(shù)病理證實為乳腺疾病患者75例作為研究對象，患者均為女性，年齡23～89歲，平均年齡（52.60±0.11）歲，中位年齡45歲。其中，乳腺惡性病變44例，乳腺良性腫瘤或腫瘤樣病變31例。75例患者均進行了X線鉬靶及超聲檢查。

1.2方法

1.2.1鉬靶X線 使用GE公司全數(shù)字乳腺X線機，對75例患者取站立位，常規(guī)使用頭足軸位（CC）和內(nèi)外側(cè)斜位（MLO）拍攝。拍攝前對患者乳腺外觀、大小視診，對腫瘤所處位置、大小、質(zhì)地、活動度觸診。

1.2.2超聲 采用PHLIPS IU22彩色多普勒超聲診斷顯像儀，頻率為10 MHz?；颊叱Ｒ?guī)取仰臥位，高舉雙臂置于頭后，充分暴露雙側(cè)乳房，以乳頭為中心，放射狀多切面掃描各個象限，并記錄腫塊的位置、大小、形態(tài)、回聲及血液動力學(xué)情況。

1.3觀察指標(biāo)

1.3.1 X線鉬靶 ①腫塊形態(tài)：規(guī)則、不規(guī)則；②鈣化：無、塊狀鈣化、砂粒樣鈣化；③邊緣輪廓：光滑銳利、毛刺；④淋巴結(jié)腫大：無、<1 cm、>1 cm；⑤局部致密：無、有。

1.3.2超聲 ①腫塊形態(tài)：規(guī)則、不規(guī)則；②內(nèi)部回聲：均勻、不均勻；③后方回聲改變：不變、增高、衰減；④血流信號：有、無；⑤淋巴結(jié)腫大：無、<1 cm、>1 cm。

1.4神經(jīng)網(wǎng)絡(luò)分析

1.4.1人工神經(jīng)網(wǎng)絡(luò)模型 人工神經(jīng)網(wǎng)絡(luò)模型采用前向型網(wǎng)絡(luò)設(shè)計和誤差反向傳播學(xué)習(xí)算法（簡稱BP，網(wǎng)絡(luò)）。網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。利用Levenberg-Marquardt規(guī)則進行訓(xùn)練，網(wǎng)絡(luò)的誤差平方和<10時訓(xùn)練收斂結(jié)束。網(wǎng)絡(luò)的輸出值≥0.5提示為惡性。利用Matlab 6.5軟件編程實現(xiàn)BP網(wǎng)絡(luò)的訓(xùn)練和測試。在圖1中，輸入層包含10個神經(jīng)元，對應(yīng)5個X線鉬靶指標(biāo)和5個B超征象；隱含層神經(jīng)元數(shù)根據(jù)經(jīng)驗定為6；輸出層包含一個神經(jīng)元，對應(yīng)診斷結(jié)果；輸入層到隱含層、隱含層到輸出層的傳遞函數(shù)均為對數(shù)s型（Sigmoid）函數(shù)。

1.4.2樣本訓(xùn)練及測試 從75例樣本中隨機選擇30例樣本作為訓(xùn)練樣本，組成訓(xùn)練集，其余樣本組成測試集，建立BP神經(jīng)網(wǎng)絡(luò)診斷模型，分析神經(jīng)網(wǎng)絡(luò)模型的診斷結(jié)果。

1.5統(tǒng)計學(xué)分析 數(shù)據(jù)用SPSS15統(tǒng)計學(xué)軟件處理，單因素假設(shè)檢驗應(yīng)用于成組t檢驗（對計量資料）或行×列檢驗；配對檢驗用于比較BP神經(jīng)網(wǎng)絡(luò)模型與X線鉬靶和B超在鑒別乳腺良惡性病變的特異度、敏感度和診斷正確性。P<0.05為差異有統(tǒng)計學(xué)意義。

2結(jié)果

75例患者中，經(jīng)過手術(shù)與病理結(jié)果顯示：乳腺惡性病變44例，其中浸潤性導(dǎo)管癌34例，導(dǎo)管內(nèi)癌7例，髓樣癌1例，Paget病1例，導(dǎo)管上皮瘤變伴微浸潤1例。乳腺良性腫瘤或腫瘤樣病變31例，其中，乳腺纖維腺瘤21例，纖維性腺病4例，乳導(dǎo)管腺瘤3例，硬化性腺病1例，血管脂肪瘤1例，良性葉狀腫瘤1例。

2.1 BP網(wǎng)絡(luò)診斷結(jié)果 用30例訓(xùn)練樣本對BP網(wǎng)絡(luò)進行訓(xùn)練，經(jīng)過9次迭代，達到精度要求，訓(xùn)練結(jié)束。利用訓(xùn)練好的BP網(wǎng)絡(luò)對另外45例進行診斷測試，見表1。

2.3 BP神經(jīng)網(wǎng)絡(luò)診斷模型與X線鉬靶和B超診斷結(jié)果的比較 44例惡性病變中，超聲共檢出38例，檢出率86.36%，誤診6例，其中1例誤診為炎性包塊，1例未見任何征象而漏診正常，4例誤診為纖維瘤（圖2）。X線鉬靶共檢出39例，檢出率88.64%，誤診5例，其中1例誤診為外傷所致，1例誤診為乳腺增生，3例誤診為良性病變（圖3）。31例良性病變中，X線鉬靶將3例診斷為惡性病變；超聲將4例診斷為惡性病變。而BP神經(jīng)網(wǎng)絡(luò)模型將測試組45例中的1例惡性判斷為良性，1例良性判斷為惡性。BP神經(jīng)網(wǎng)絡(luò)診斷模型診斷正確率高于X線鉬靶和B超，差異具有統(tǒng)計學(xué)意義（？字2=11.529，P=0.0007；？字2=12.346， P=0.0006），而X線鉬靶和B超比較，差異無統(tǒng)計學(xué)意義（P>0.05）。BP神經(jīng)網(wǎng)絡(luò)診斷模型特異度、敏感度均高于X線鉬靶和B超，差異具有統(tǒng)計學(xué)意義（P<0.05），見表2。

3討論

目前我國乳腺癌的發(fā)病率不斷上升，給廣大婦女的身心健康帶了嚴(yán)重的威脅，為了更有效降低死亡率，需要我們能早期發(fā)現(xiàn)、早期診斷及早期治療，X線鉬靶檢查及彩色多普勒超聲成為不可或缺的影像學(xué)檢查方法。雖然兩者各有優(yōu)勢，但同時也存在著各自的局限性。彩色多普勒超聲可以清晰地顯示致密型乳腺內(nèi)腫塊的形態(tài)、邊界、結(jié)構(gòu)等，適用于任何年齡段的女性，可反復(fù)檢查?？墒菍τ谳^小病灶或沒腫塊的鈣化顯示不佳，極易造成漏診。乳腺鉬靶X線攝影對于脂肪型乳腺的對比相對良好，能更好地顯示腫塊。可是對于年輕女性、哺乳期或致密型乳腺，由于腺體與病灶之間缺乏明顯的對比度，故較容易漏診。X線鉬靶檢查聯(lián)合彩色多普勒超聲，應(yīng)該有助于鉬靶未見的腫塊及超聲未見的鈣化的乳腺癌的早期發(fā)現(xiàn)與診斷。但是怎樣聯(lián)合分析這兩種不同的檢查方法獲得的信息是一個問題。由于目前我國許多醫(yī)院超聲和X線分屬不同科室，所以在分析超聲和X線檢查圖像時，一般由超聲科醫(yī)生和放射科醫(yī)生單獨進行，不能將兩種檢查方法有機結(jié)合起來，兩種檢查結(jié)果之間雖然能夠相互補充，但是也存在相互矛盾之處，如何綜合兩種檢查結(jié)果，對患者的病情做出準(zhǔn)確的判斷，需要依靠影像科醫(yī)生長期積累的經(jīng)驗，而且這是一個相對主觀的過程，這樣在一定程度影響診斷。

人腦是通過這種神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)狀結(jié)構(gòu)處理信息的，但人腦的變換函數(shù)具體是怎樣的，現(xiàn)在還弄不清楚，我們只能通過這樣一組加權(quán)和，加上一個激活函數(shù)來模擬人腦。因此在人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中也是通過這樣的一種多層結(jié)構(gòu)來實現(xiàn)神經(jīng)元的連接。多個輸入，以及一個軸殼來處理這些輸入，上一層的輸出作為下一層的輸入，最終得到一個輸出[6]。BP人工神經(jīng)網(wǎng)絡(luò)是一種優(yōu)秀的非線性模式分類器，通過學(xué)習(xí)能夠?qū)⑺鶎W(xué)樣本記憶在各神經(jīng)元的連接權(quán)重上，只要網(wǎng)絡(luò)訓(xùn)練在要求的誤差精度內(nèi)收斂，則所有訓(xùn)練樣本的輸出都是正確的。同時BP網(wǎng)絡(luò)具有一定的泛化能力，對于未學(xué)習(xí)的樣本同樣具有很好的分類能力。BP神經(jīng)網(wǎng)絡(luò)具有人腦的深度學(xué)習(xí)，不斷進步的優(yōu)點，又比人腦客觀[7]。BP神經(jīng)網(wǎng)絡(luò)在診斷中得到愈來愈廣泛的應(yīng)用，它可以綜合多個參數(shù)并提供多變量分析，不僅使醫(yī)生的診斷過程更加客觀，而且提高了診斷效率。在本研究中，BP網(wǎng)絡(luò)對測試集樣本的診斷敏感度、特異度和總的正確率分別為95.65%、95.45%和95.56%，試驗結(jié)果證實了它的泛化能力。此外，BP網(wǎng)絡(luò)將主要X線和B超表現(xiàn)指標(biāo)作為輸入，其行為與實際的臨床的診斷過程非常相似，網(wǎng)絡(luò)的診斷輸出結(jié)果具有很強的說服力。

本研究只是BP網(wǎng)絡(luò)在診斷乳腺結(jié)節(jié)的初步應(yīng)用，還有很多地方有待進一步探討。首先，在BP中，網(wǎng)絡(luò)的輸入可以是影像表現(xiàn)和臨床特征的指標(biāo)，因此結(jié)合臨床實踐可以將這些征象及其他一些臨床特征作為網(wǎng)絡(luò)的輸入。其次，對于采用Sigmoid傳遞函數(shù)的BP網(wǎng)絡(luò)，其輸出是0，1的實數(shù)。多數(shù)研究都是根據(jù)網(wǎng)絡(luò)的輸出值，以0.5為臨界值判斷為良性或惡性[8]。在臨床診斷實踐中，通常將診斷結(jié)果分為肯定良性、可能良性、可疑、可能惡性和肯定惡性5級，它們能否與網(wǎng)絡(luò)的輸出范圍（0，1）對應(yīng)起來有待進一步的試驗驗證。另外，由于病例教少，本研究只使用了30例給神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練，如果神經(jīng)網(wǎng)絡(luò)有更多的病例進行深度學(xué)習(xí)，判別效果可能更好。

綜上所述，人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用屬于計算機輔助診斷的范疇，不能代替臨床醫(yī)師的診斷。因此，如何使人工神經(jīng)網(wǎng)絡(luò)更好地輔助醫(yī)師，特別是低年資醫(yī)師做出正確的臨床診斷，是人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于臨床實踐的關(guān)鍵所在。

參考文獻：

[1]邵真真，李軍楠，趙玉梅，等.影響乳腺X線攝影和超聲檢出早期乳腺癌的流行病學(xué)相關(guān)因素分析[J].中華放射學(xué)雜志，2017，51（2）：127-131.

[2]劉淑敬，楊光，李亞男，等.三陰性乳腺癌X線征象及臨床病理分析[J].實用放射學(xué)雜志，2016，32（7）：1043-1047.

[3]陳欣，黃環(huán)，晉瑞，等.乳腺浸潤性小葉癌與浸潤性導(dǎo)管癌X線表現(xiàn)的對比分析[J].實用放射學(xué)雜志，2015，31（9）：1435-1438.

[4]秦剛，謝玉蓉，曾暢.B超聯(lián)合鉬靶X線檢查在乳腺癌診斷中的臨床價值探討[J].現(xiàn)代診斷與治療，2014（9）：2059-2060.

[5]邵真真，李軍楠，趙玉梅，等.影響乳腺X線攝影和超聲檢出早期乳腺癌的流行病學(xué)相關(guān)因素分析[J].中華放射學(xué)雜志，2017，51（2）：127-131.

[6]章毅，郭泉，王建勇.大數(shù)據(jù)分析的神經(jīng)網(wǎng)絡(luò)方法[J].工程科學(xué)與技術(shù)，2017，49（1）：9-18.

[7]Makris GM，Pouliakis A，Siristatidis C，et al.Image analysis and multi-layer perceptron artificial neural networks for the discrimination between benign and malignant endometrial lesions[J].Diagn Cytopathol，2017，45（3）：202-211.

[8]Raua HH，Hsu CY，Lin YA，et al.Development of a web-based liver cancerprediction model for type Ⅱdiabetes patientsby using an artificial neural network[J].Comput Methods Programs Biomed，2016，125（1）：58-65.

收稿日期：2018-4-16；修回日期：2018-4-26

編輯/成森