人工智能技術(shù)在乳腺X線攝影中的應(yīng)用價(jià)值

寧麗潔 ，胡秋根（通訊作者）

（1.廣東醫(yī)科大學(xué)，廣東 523808；2.廣東醫(yī)科大學(xué)順德婦女兒童醫(yī)院（佛山市順德區(qū)婦幼保健院）放射科，廣東 528300；3.南方醫(yī)科大學(xué)順德醫(yī)院 放射科，廣東 528300）

乳腺癌已成為全球最常見的惡性腫瘤［1］，也是全球女性發(fā)病率和死亡率最高的惡性腫瘤，已嚴(yán)重危害女性的健康，在我國(guó)乳腺癌疾病發(fā)病率亦呈逐年上升趨勢(shì)［2］。乳腺癌可防可治，早期乳腺癌生存率極高，因此乳腺癌的早期診斷、早期治療，對(duì)患者的預(yù)后及生存時(shí)間有著重要影響。乳腺癌有多種影像學(xué)檢查方法，如乳腺超聲、乳腺X線攝影、乳腺磁共振等。乳腺X線攝影是目前女性乳腺癌篩查影像檢查中最常用的方法。隨著國(guó)家對(duì)乳腺癌篩查工作的大力推進(jìn)以及人們對(duì)乳腺健康意識(shí)的不斷提高，越來(lái)越多女性開始關(guān)注乳腺X線攝影檢查。日常繁復(fù)的影像診斷和大量乳腺癌篩查人群，加重了影像醫(yī)生的工作負(fù)荷。因此，如何提高乳腺癌的檢出效率、準(zhǔn)確率，減少漏診率及誤診率，是目前影像醫(yī)學(xué)領(lǐng)域亟待解決的問(wèn)題之一。

隨著人工智能在醫(yī)學(xué)影像領(lǐng)域的快速發(fā)展，人工智能在乳腺X線攝影中也得到廣泛應(yīng)用。基于此筆者就人工智能的發(fā)展及其在乳腺X線攝影方面的應(yīng)用進(jìn)行綜述。

1 人工智能

人工智能（Artificial Intelligence，AI） 最先由 20世紀(jì) 50 年代 John McCarthy 等提出［4］，是主要研究并開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)，主要包括機(jī)器學(xué)習(xí) （Machine Learning，ML）［6］和深度學(xué)習(xí)（Deep Learning，DL）［5］。 機(jī)器學(xué)習(xí)作為人工智能的一個(gè)核心分支，主要通過(guò)訓(xùn)練機(jī)器學(xué)習(xí)樣本數(shù)據(jù)，并從中提取最佳特征，以對(duì)未知數(shù)據(jù)進(jìn)行模型的建立。最常用的算法包括人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）、支持向量機(jī)（Support Vector Machine，SVM） 、隨機(jī)森林（Random Forest， RF） 、K－均值算法（K－Means）等。經(jīng)典ML按照訓(xùn)練方法分類，可以分為監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)等3類［7］。深度學(xué)習(xí)作為ML的一個(gè)子集，也是目前最流行的研究方法，可自動(dòng)提取在大數(shù)據(jù)中有意義的特征［8］，包括文本識(shí)別、數(shù)字圖像識(shí)別和目標(biāo)識(shí)別等3個(gè)階段的圖像識(shí)別發(fā)展。卷積神經(jīng)網(wǎng)絡(luò) （Convolutional Neural Network，CNN）作為深度學(xué)習(xí)中最成功的算法之一，其能在位于輸入信號(hào)中不同空間位置的相似特征里提取較高等級(jí)信息［9］，使得CNN在處理視覺(jué)識(shí)別及語(yǔ)音識(shí)別等方面均獲得出巨大成功［10］，尤其在視覺(jué)識(shí)別方面有較高的性能優(yōu)勢(shì)，因此CNN在圖像處理方面的成就尤為突出。

20世紀(jì)60年代，計(jì)算機(jī)輔助診斷（Cumputer-Aided Diagnosis，CAD）系統(tǒng)已開始在乳腺醫(yī)學(xué)影像領(lǐng)域應(yīng)用，也是AI技術(shù)在乳腺X線攝影中的最早應(yīng)用。CAD是一種通過(guò)使用計(jì)算機(jī)以及統(tǒng)計(jì)學(xué)等方法，對(duì)醫(yī)學(xué)影像圖像進(jìn)行處理與分析，提取其特征并對(duì)可疑病變位置進(jìn)行標(biāo)注、對(duì)檢出的病灶進(jìn)行分類的AI技術(shù)［11］。傳統(tǒng)的CAD系統(tǒng)機(jī)器學(xué)習(xí)算法使用的是監(jiān)督學(xué)習(xí)（supervised learning），即通過(guò)使用人工對(duì)目標(biāo)任務(wù)的特征進(jìn)行訓(xùn)練，使其達(dá)到所要求的性能［12］。隨著AI技術(shù)的不斷發(fā)展以及乳腺X線檢查人數(shù)的劇增，傳統(tǒng)CAD對(duì)病灶的評(píng)估時(shí)間長(zhǎng)、系統(tǒng)性能不穩(wěn)定、假陽(yáng)性率高、敏感性較低等缺點(diǎn)也愈發(fā)凸顯。深度學(xué)習(xí)使用非監(jiān)督學(xué)習(xí)（Unsupervised learning），能自動(dòng)提取有意義的特征，突破了手工設(shè)計(jì)特征的局限性［13］。與傳統(tǒng)CAD不同點(diǎn)在于，基于深度學(xué)習(xí)算法的CAD系統(tǒng)使用的方法是對(duì)模型的構(gòu)建以及對(duì)影像樣本數(shù)據(jù)的訓(xùn)練，從而使CAD模型具有更高的敏感度和準(zhǔn)確率［14］。

基于深度學(xué)習(xí)算法的乳腺CAD系統(tǒng)的各種性能指標(biāo)相較于傳統(tǒng)CAD均有明顯提高，使得AI技術(shù)在醫(yī)學(xué)影像方面的應(yīng)用尤其是在乳腺X線攝影中的應(yīng)用更加廣泛。

2 AI技術(shù)在乳腺X線攝影中的應(yīng)用

2.1 AI技術(shù)用于乳腺X線篩查

乳腺癌病因尚未明確，目前仍以二級(jí)預(yù)防為主。通過(guò)實(shí)施有效、便捷的影像學(xué)檢查，對(duì)乳腺癌進(jìn)行篩查，以期達(dá)到早發(fā)現(xiàn)、早診斷和早治療，降低乳腺癌死亡率的目的。乳腺X線攝影是乳腺癌篩查檢查中最常用的方法。由于影像醫(yī)生工作量大，且醫(yī)師的閱片狀態(tài)受經(jīng)驗(yàn)、水平等多方因素干擾，因此難以統(tǒng)一乳腺X線診斷的準(zhǔn)確性及診斷效率。

Rodriguez 等（2019）［15］研究顯示，AI 可以減少乳腺癌篩查放射科醫(yī)師的閱片工作量，當(dāng)使用5分作為閾值時(shí)（＞5分為存在乳腺癌高可能性），可以將放射科醫(yī)師的閱片工作量減少約一半（-47%），同時(shí)排除了 7%的真陽(yáng)性病人。Martín 等（2022）［16］評(píng)估了15 998名女性 15 999次數(shù)字乳腺X線攝影檢查（DM），結(jié)果顯示，AI在 DM 中的 AUC 為 0.93（95%CI：0.89-0.96）。對(duì)于 DM，AI的非劣效敏感度與 1位影像醫(yī)生評(píng)估 （58.4%；66/113 例；95%CI：49.2-67.1）或 2位影像醫(yī)生評(píng)估（67.3%；76/113 例；95%CI：58.2-75.2）分別比較，其降低召回率高達(dá) 2%（95%CI：-2.4--1.6）（P＜0.001），與人工評(píng)估相比，AI在DM中的召回率較低。此外，研究顯示，在乳腺X線攝影的乳腺篩查中，應(yīng)用AI可以減輕放射科醫(yī)生的工作量，AI可以替代放射科醫(yī)生在乳腺篩查中的評(píng)估，同時(shí)保障乳腺篩查質(zhì)量。 Larsen等（2022）［17］對(duì)乳腺X線篩查結(jié)果進(jìn)行人工智能評(píng)估。該研究為多中心研究，共納入2009年至2018年的47 877名女性患者，共完成122 969次乳腺篩查。結(jié)果顯示，在不同閾值條件下，AI系統(tǒng)在乳腺癌檢測(cè)中整體性能均較穩(wěn)定，其中AI系統(tǒng)未能檢出的篩查癌比例均低于20%。另有文獻(xiàn)［18］報(bào)道，在乳腺癌篩查中，通過(guò)使用AI系統(tǒng)，可有效降低乳腺癌篩查中間期癌的發(fā)生率。此外，基于深度學(xué)習(xí)的AI系統(tǒng)在乳腺癌篩查中［18-19］，結(jié)果顯示與經(jīng)驗(yàn)豐富的放射科醫(yī)師的診斷水平相當(dāng)。由此可見，AI系統(tǒng)可以作為乳腺癌篩查的有效輔助診斷工具，提高放射醫(yī)師的工作效率。AI系統(tǒng)提供的診斷結(jié)論準(zhǔn)確率可靠，可供放射醫(yī)生參考，在保障篩查質(zhì)量的同時(shí)，更讓廣大女性乳腺癌篩查人群獲益。

2.2 病灶的檢出及分類

鈣化、腫塊、結(jié)構(gòu)扭曲以及不對(duì)稱致密影是乳腺疾病的四大主要征象［20］。在乳腺X線檢查中，乳腺CAD系統(tǒng)對(duì)腫塊和鈣化的特征識(shí)別能力較敏感，但是對(duì)結(jié)構(gòu)扭曲和不對(duì)稱致密影相對(duì)研究較少［21］。在乳腺X線攝影中，乳腺癌最常見的主要征象是腫塊，但是影像醫(yī)生對(duì)腫塊的判斷具有較強(qiáng)的主觀性。此外，由于中國(guó)女性的乳腺腺體普遍較致密，高密度腺體組織容易對(duì)部分微小病灶遮擋而顯示不清，容易造成漏診誤診等情況。基于大量訓(xùn)練的乳腺CAD系統(tǒng)，可以根據(jù)圖像中的信息特征識(shí)別出病灶中更細(xì)微且人眼難以識(shí)別的特征，更好地幫助影像醫(yī)師提高病灶的檢出率。因此，乳腺CAD系統(tǒng)相較于人工對(duì)腫塊的檢出及分類更加客觀且性能穩(wěn)定。張興梅等（2019）［22］研究結(jié)果顯示，基于 DL 的乳腺X線檢測(cè)系統(tǒng)對(duì)腫塊的檢出有較好的穩(wěn)定性，可以輔助影像醫(yī)師對(duì)BI-RADS3類和4類腫塊的檢出率提升10.07%（30/298）以上。同時(shí)AI有助于減少不同腺體分類對(duì)腫塊檢出的影響，尤其對(duì)于較為致密腺體腫塊的檢出，AI輔助診斷具有重要的臨床價(jià)值。

在乳腺X線攝影中，乳腺癌的早期表現(xiàn)可以是微小鈣化，它是乳腺癌的主要危險(xiǎn)征象，甚至常常是乳腺癌唯一征象。 王小琦等（2019）［23］通過(guò)使用DL系統(tǒng)與2名低年資醫(yī)師分別對(duì)274例可疑鈣化進(jìn)行對(duì)比分析，發(fā)現(xiàn)DL系統(tǒng)僅漏診1例密度較低的呈團(tuán)簇狀分布的無(wú)定形鈣化，DL系統(tǒng)對(duì)于可疑鈣化的檢出率顯著高于2名低年資醫(yī)師。由于影像醫(yī)師受視覺(jué)疲勞、注意力下降等主觀因素影響，以及對(duì)于密度較低的無(wú)定形鈣化和線樣分布、直徑較小的團(tuán)簇樣鈣化敏感度均較低，因而漏檢相對(duì)更多。相較而言，DL系統(tǒng)對(duì)可疑鈣化灶的檢出不受腺體類型以及鈣化形態(tài)及分布的影響，對(duì)可疑鈣化檢出的敏感度與穩(wěn)定性均較高。因此，DL系統(tǒng)可作為輔助，有效提升影像醫(yī)師對(duì)可疑鈣化的檢出率。

但是對(duì)于不同的乳腺病灶類型，AI的檢出率也有明顯的對(duì)比差異。 宋張駿等（2019）［24］研究結(jié)果顯示，基于深度學(xué)習(xí)技術(shù)的MammoWorks TM乳腺健康智能檢測(cè)系統(tǒng)對(duì)腫塊、鈣化灶、腫塊伴鈣化灶、腺體結(jié)構(gòu)扭曲等的檢出也有明顯差異。其中，腫塊命中 67.7%（ 136/201），鈣化灶命中 80.5% （33/41）；腫塊伴鈣化命中82.3%（153/186）；腺體結(jié)構(gòu)扭曲命中55.0% （11/20）。對(duì)于不同腺體分類的乳腺病灶的檢出也不盡相同，脂肪型乳腺命中 65.5%（36/55）；少量腺體型命中 69.1%（94/136）；多量腺體型命中75.6% （68/90）；致密型命中 80.8%（135/167）。 研究結(jié)果顯示，伴有鈣化灶的疾病更容易被AI檢測(cè)系統(tǒng)識(shí)別檢出。另外，乳腺腺體密度高的分組命中率高，表明AI檢測(cè)系統(tǒng)能有效輔助致密型腺體病灶的檢出，可以降低影像醫(yī)師對(duì)致密型腺體病灶的漏診率。

劉寶治和李東波（2019）［25］研究采用深度學(xué)習(xí)人工智能領(lǐng)域快速R-CNN算法，對(duì)腺體結(jié)構(gòu)進(jìn)行分型，對(duì)全病灶檢出，進(jìn)而對(duì)病灶的全屬性進(jìn)行分析，再參考ACR BI-RADS 5th Edition進(jìn)行評(píng)估分類，自動(dòng)生成結(jié)構(gòu)化報(bào)告，給出影像學(xué)建議。但是由于AI對(duì)異常密度的敏感性較高，導(dǎo)致其分級(jí)較人工標(biāo)注的分級(jí)結(jié)果偏高。盡管如此，AI對(duì)有效提高影像醫(yī)師的診斷效率仍有著重要臨床意義。

2.3 乳腺癌的風(fēng)險(xiǎn)評(píng)估

對(duì)于乳腺X線檢查而言，致密的乳腺已被認(rèn)定為乳腺癌的主要危險(xiǎn)因素，且是獨(dú)立的危險(xiǎn)因素，患乳腺癌的風(fēng)險(xiǎn)與腺體致密程度呈正比，即女性患乳腺癌的風(fēng)險(xiǎn)隨著乳腺密度的致密程度增加而升高。在乳腺X線攝影中，致密的腺體組織容易對(duì)可疑病灶造成遮擋，致使影像科醫(yī)師對(duì)腺體致密的患者給出假陰性的判定，因而容易造成對(duì)致密腺體病灶的漏診。

深度學(xué)習(xí)算法不但能根據(jù)乳腺X線檢查顯示的乳腺密度程度進(jìn)行風(fēng)險(xiǎn)預(yù)估，而且還能根據(jù)乳腺X線檢查中具有預(yù)測(cè)風(fēng)險(xiǎn)的成像特征及臨床風(fēng)險(xiǎn)因素，預(yù)測(cè)患者患乳腺癌的風(fēng)險(xiǎn)［21］。Qiu 等（2016）［26］研究顯示，使用深度學(xué)習(xí)的風(fēng)險(xiǎn)預(yù)測(cè)模型對(duì)乳腺癌進(jìn)行早期預(yù)測(cè)，其準(zhǔn)確率達(dá)到 71.4%。Mohamed等（2018）［27］對(duì)1 427名女性乳腺X線攝影圖像進(jìn)行回顧性分析，利用構(gòu)建的CNN模型對(duì)纖維腺體型及不均勻致密型乳腺進(jìn)行自動(dòng)分類，其ROC曲線下面積（ Area Under Curve，AUC）值為 0.942 1。由此可見，使用預(yù)測(cè)風(fēng)險(xiǎn)模型不僅能提高篩查者警惕性，實(shí)現(xiàn)對(duì)乳腺癌早診斷早治療，同時(shí)還可避免影像醫(yī)師的主觀性，從而更好地預(yù)測(cè)患者患乳腺癌的風(fēng)險(xiǎn)。

2.4 分子分型的預(yù)測(cè)

乳腺癌在分子水平上具有高度的異質(zhì)性，不同分子分型的乳腺癌其治療方式及預(yù)后也不盡相同［28］。 馬夢(mèng)偉等（2020）［29］對(duì) 200 例浸潤(rùn)性乳癌，通過(guò)建立隨機(jī)森林（RF）、極端梯度提升（XGBoost）、邏輯回歸（kLR）及支持向量機(jī)（SVC）模型等4種機(jī)器學(xué)習(xí)模型，分別對(duì)不同分子分型乳腺癌的效能進(jìn)行預(yù)測(cè)。結(jié)果顯示，對(duì)于判斷Luminal型與非Luminal型的乳腺癌，RF模型的AUC值最大（AUC=0.70，P＜0.O5），而且在4種機(jī)器學(xué)習(xí)模型中，RF模型對(duì)不同分子分型乳腺癌的預(yù)測(cè)效能較好。因此，術(shù)前通過(guò)影像學(xué)檢查并結(jié)合人工智能，可以對(duì)乳腺癌快速、無(wú)創(chuàng)精準(zhǔn)判斷分子分型，對(duì)臨床診斷及制定個(gè)性化的治療方案產(chǎn)生重要影響。

3 總結(jié)與展望

人工智能在乳腺X線攝影中的應(yīng)用有明顯的優(yōu)勢(shì)，如可以減少乳腺癌篩查放射科醫(yī)師的閱片工作量，有效輔助致密型腺體病灶的檢出，對(duì)乳腺癌早期預(yù)測(cè)準(zhǔn)確率較高，術(shù)前可以對(duì)乳腺癌快速、無(wú)創(chuàng)判斷分子分型等等。雖然人工智能在乳腺X線攝影方面有諸多優(yōu)勢(shì)，但是目前還存在很多挑戰(zhàn)，如對(duì)于腺體結(jié)構(gòu)扭曲和不對(duì)稱致密影的檢出率較低，AI分級(jí)較人工標(biāo)注的分級(jí)結(jié)果偏高，判斷乳腺癌分子分型的準(zhǔn)確率有待提高等。

目前，如腺體結(jié)構(gòu)扭曲和不對(duì)稱致密影等樣本數(shù)據(jù)仍較小，且缺乏標(biāo)準(zhǔn)化。未來(lái)，AI在乳腺X線攝影中應(yīng)建立標(biāo)準(zhǔn)化大數(shù)據(jù)集，同時(shí)注重其他信息（如患者既往檢查資料及病史資料）的整合，以不斷提高AI診斷性能。隨著人工智能技術(shù)不斷發(fā)展進(jìn)步，今后大樣本數(shù)據(jù)質(zhì)量的不斷提高以及多模態(tài)影像數(shù)據(jù)的整合，AI技術(shù)在乳腺X線攝影方面將發(fā)揮更大作用，創(chuàng)造更高的社會(huì)價(jià)值。