S-Detect技術(shù)聯(lián)合基于CDFI調(diào)整的BI-RADS分類對乳腺結(jié)節(jié)良惡性的鑒別診斷價(jià)值

賀國華 胡俊凱 向倫祥

超聲是乳腺結(jié)節(jié)臨床常用的影像學(xué)檢查方式, 具有無創(chuàng)、快捷、無輻射等優(yōu)點(diǎn)。乳腺影像學(xué)報(bào)告及數(shù)據(jù)系統(tǒng)（breast imaging report and data system, BI-RADS）可輔助超聲醫(yī)師通過影像學(xué)特征對乳腺結(jié)節(jié)進(jìn)行定性分析, 更加客觀和規(guī)范。但對于BI-RADS 4類結(jié)節(jié), 特別是BI-RADS 4A類結(jié)節(jié), 因其惡性風(fēng)險(xiǎn)相對偏低, 易出現(xiàn)漏誤診, 需進(jìn)一步提高診斷準(zhǔn)確率[1］。S-Detect技術(shù)是一種人工智能輔助診斷技術(shù), 其基于深度學(xué)習(xí)模型自動(dòng)判斷病灶的良惡性, 可避免人工誤判的風(fēng)險(xiǎn)[2］。文獻(xiàn)[3］報(bào)道, 乳腺良惡性結(jié)節(jié)的血管分布及血供具有較大差異, 因此CDFI可能成為鑒別乳腺結(jié)節(jié)良惡性的輔助方法。基于此, 本研究旨在探討S-Detect技術(shù)聯(lián)合基于CDFI調(diào)整的BIRADS分類在乳腺結(jié)節(jié)良惡性鑒別診斷中的應(yīng)用價(jià)值。

資料與方法

一、臨床資料

選取2019年1月至2021年6月我院乳腺外科收治的BI-RADS 4A類[4］結(jié)節(jié)患者270例, 均為女性, 年齡20～73歲, 平均（42.65±13.52）歲；單發(fā)211例, 多發(fā)59例。所有患者均經(jīng)穿刺活檢或術(shù)后病理確診, 共318個(gè)結(jié)節(jié), 惡性170個(gè), 最大徑0.41～2.85 cm, 平均（1.42±0.59）cm, 其中浸潤性導(dǎo)管癌160個(gè), 導(dǎo)管內(nèi)癌10個(gè)；良性148個(gè), 最大徑0.36～2.68, 平均（1.35±0.52）cm, 其中乳腺纖維瘤60個(gè), 乳腺硬化性腺病32個(gè), 導(dǎo)管內(nèi)不典型增生22個(gè), 肉芽腫性乳腺炎10個(gè), 良性分葉狀腫瘤8個(gè), 導(dǎo)管內(nèi)乳頭狀瘤8個(gè), 漿細(xì)胞性乳腺炎和乳腺炎癥伴微腫瘤形成各4個(gè)。排除妊娠或哺乳期女性、圖像質(zhì)量不佳及乳腺彌漫性病變患者。本研究經(jīng)我院醫(yī)學(xué)倫理委員會批準(zhǔn), 所有患者均知情同意。

二、儀器與方法

所有患者均于常規(guī)超聲檢查后行S-Detect技術(shù)、CDFI檢查。

1.CDFI檢查：使用百勝M(fèi)yLab Class C彩色多普勒超聲診斷儀, LA523探頭, 頻率5～13 MHz。患者取仰臥位, 充分暴露前胸部、雙側(cè)乳房及腋窩, 以乳頭為中心沿順時(shí)針方向360°旋轉(zhuǎn)掃查, 重點(diǎn)觀察腺體及病灶周圍血流情況, 脈沖多普勒檢測血流速度、阻力指數(shù)。CDFI血流分級參考Adler等[5］方法分為0～Ⅲ級, 其中0～Ⅰ級為良性, Ⅱ～Ⅲ級為惡性。所有檢查及圖像處理均由2位具有5年以上工作經(jīng)驗(yàn)的超聲醫(yī)師共同完成。

2.S-Detect技術(shù)檢查：使用三星RS 80A彩色多普勒超聲診斷儀, L3-12A探頭, 頻率5～13 MHz；配備S-Detect分析軟件。患者取仰臥位, 充分暴露前胸部、雙側(cè)乳房及腋窩, 以乳頭為中心放射狀掃查各象限腺體及腋下淋巴結(jié), 勾畫病灶邊界, 然后開啟S-Detect模式進(jìn)行人工智能輔助診斷, 分別以最長軸切面和2個(gè)垂直切面自動(dòng)繪制感興趣區(qū), 觀察并記錄病灶位置、成分、內(nèi)部回聲、鈣化情況、回聲有無衰減、縱橫比、形態(tài)、邊界及周邊乳腺組織是否浸潤等情況, 軟件自動(dòng)分析圖像, 3個(gè)切面（最長軸切面和2個(gè)垂直切面）中有2個(gè)以上切面判讀為“可能惡性”, 則結(jié)果為“可能惡性”；3個(gè)切面均為“可能良性”或僅一個(gè)切面判讀為“可能惡性”, 則結(jié)果為“可能良性”。

3.BI-RADS分類調(diào)整方法：根據(jù)CDFI檢查結(jié)果對BIRADS 4A類結(jié)節(jié)分類結(jié)果進(jìn)行調(diào)整, 血流分級0～Ⅰ級時(shí)下調(diào)一級；血流分級Ⅱ級時(shí)分類結(jié)果不變；血流分級Ⅲ級時(shí)上調(diào)一級。調(diào)整后將BI-RADS 4A類及以下判為良性, 4B類判為惡性。

4.聯(lián)合診斷方法：根據(jù)S-Detect技術(shù)檢查結(jié)果與調(diào)整后的BI-RADS分類結(jié)果進(jìn)行聯(lián)合診斷, 若兩種方法檢查結(jié)果一致, 則以原判讀結(jié)果為聯(lián)合診斷結(jié)果；若S-Detect技術(shù)檢查結(jié)果為良性, 調(diào)整后BI-RADS分類結(jié)果為惡性, 則聯(lián)合診斷結(jié)果為惡性；若S-Detect技術(shù)檢查結(jié)果為惡性, 調(diào)整后BI-RADS分類結(jié)果為良性, BI-RADS 3類結(jié)節(jié)聯(lián)合診斷結(jié)果為良性, BI-RADS 4A類及以上結(jié)節(jié)聯(lián)合診斷結(jié)果為惡性。

三、統(tǒng)計(jì)學(xué)處理

應(yīng)用SPSS 22.0統(tǒng)計(jì)軟件, 計(jì)數(shù)資料以頻數(shù)或率表示, 采用χ2檢驗(yàn)。以病理結(jié)果為金標(biāo)準(zhǔn), 繪制四格表計(jì)算不同檢查方法鑒別診斷乳腺結(jié)節(jié)良惡性的效能；繪制受試者工作特征（ROC）曲線分析不同檢查方法鑒別乳腺結(jié)節(jié)良惡性的價(jià)值, 計(jì)算曲線下面積（AUC）。P＜0.05為差異有統(tǒng)計(jì)學(xué)意義。

結(jié) 果

一、不同檢查方法診斷乳腺結(jié)節(jié)良惡性的情況

S-Detect技術(shù)準(zhǔn)確診斷乳腺惡性結(jié)節(jié)143個(gè), 良性124個(gè), 敏感性84.12%, 特異性83.78%；調(diào)整后BI-RADS分類準(zhǔn)確診斷乳腺惡性結(jié)節(jié)152個(gè), 良性130個(gè), 敏感性89.41%, 特異性為87.84%；S-Detect技術(shù)聯(lián)合調(diào)整后BI-RADS分類準(zhǔn)確診斷乳腺惡性結(jié)節(jié)161個(gè), 良性137個(gè), 敏感性94.71%, 特異性92.57%。見表1和圖1, 2。

圖1 患者術(shù)前、術(shù)后經(jīng)胸超聲心動(dòng)圖

圖1 S-Detect技術(shù)檢查乳腺良惡性結(jié)節(jié)圖像

表1 不同檢查方法診斷乳腺結(jié)節(jié)良惡性的情況 個(gè)

圖2 CDFI檢查乳腺良惡性結(jié)節(jié)圖像

二、ROC曲線分析

ROC曲線分析顯示, S-Detect技術(shù)、調(diào)整后BI-RADS分類單獨(dú)及聯(lián)合應(yīng)用鑒別診斷乳腺結(jié)節(jié)良惡性的AUC分別為0.840（95%可 信 區(qū) 間0.793～0.886）、0.886（95%可 信 區(qū) 間0.846～0.927）、0.936（95%可信區(qū)間0.905～0.968）。見圖3。

圖3 不同檢查方法鑒別診斷乳腺結(jié)節(jié)良惡性的ROC曲線圖

討 論

乳腺癌是女性常見惡性腫瘤, 其發(fā)病率呈逐年上升趨勢, 嚴(yán)重危害女性身心健康。乳腺癌與良性結(jié)節(jié)臨床表現(xiàn)雖然有一定重疊, 但兩者治療方法完全不同, 因此早期準(zhǔn)確鑒別乳腺結(jié)節(jié)的良惡性有助于臨床制定合適的治療方案, 改善患者預(yù)后[6］。常規(guī)超聲是乳腺結(jié)節(jié)的首選檢查方法, 雖具有簡便、快捷的優(yōu)勢, 但存在一定漏診率, 具有局限性[7］。BI-RADS分類可通過結(jié)節(jié)形狀、邊界、邊緣、回聲及鈣化等超聲特征來評價(jià)其惡性風(fēng)險(xiǎn), 提高了常規(guī)超聲的診斷準(zhǔn)確性[8］。其中BI-RADS 4A類結(jié)節(jié)為可疑惡性病變, 無明顯惡性病變特征, 但由于受乳腺自身膿腫、血腫和脂肪壞死等因素干擾, 無法準(zhǔn)確對乳腺結(jié)節(jié)定性, 具有一定爭議[9］, 需進(jìn)一步通過穿刺活檢、手術(shù)病理檢查或其他檢查確診, 但活檢早期診斷難度較大, 且該方法有創(chuàng), 因此BI-RADS分類聯(lián)合S-Detect技術(shù)、CDFI等影像學(xué)方法是目前臨床研究的熱點(diǎn)。

新生血管的形成在乳腺癌的局部生長、侵襲和遠(yuǎn)處轉(zhuǎn)移中均起著關(guān)鍵作用, 因此, 識別乳腺良惡性結(jié)節(jié)間的此特征可提高BI-RADS分類的準(zhǔn)確性[10］。CDFI是利用多普勒效應(yīng)通過測量目標(biāo)區(qū)域內(nèi)血紅細(xì)胞的運(yùn)動(dòng)而產(chǎn)生的多普勒血流頻譜信息, 然后根據(jù)血流的方向和速度進(jìn)行顯像, 目前已廣泛用于心血管、顱內(nèi)血管等疾病的診斷[11］。乳腺良惡性結(jié)節(jié)病變血管血流豐富程度存在差異, 血流豐富程度越高, 提示結(jié)節(jié)惡性病變的風(fēng)險(xiǎn)越高, 因此其與BI-RADS分類聯(lián)合診斷具有協(xié)同作用, 從而提高診斷準(zhǔn)確性。本研究結(jié)果顯示, 經(jīng)CDFI調(diào)整后的BI-RADS分類準(zhǔn)確診斷乳腺惡性結(jié)節(jié)152個(gè), 良性130個(gè), 敏感性89.41%, 特異性為87.84%, ROC曲線下面積為0.886, 提示CDFI有助于BI-RADS分類更準(zhǔn)確地鑒別乳腺結(jié)節(jié)良惡性, 降低漏誤診的發(fā)生。分析原因可能為惡性結(jié)節(jié)腫瘤細(xì)胞增殖需要大量的血氧, 促使其內(nèi)部腫瘤血管大量生成, 易被CDFI檢出；而良性結(jié)節(jié)處于未增殖狀態(tài), 內(nèi)部幾乎不存在血管或僅存在少量血管[12-13］。

S-Detect技術(shù)是一種基于深度學(xué)習(xí)的人工智能輔助診斷工具, 通過快速自動(dòng)分析病變的超聲圖像得出“可能良性”和“可能惡性”的結(jié)果, 具有更全面、更標(biāo)準(zhǔn)、更客觀的特點(diǎn), 可有效避免人為主觀因素對診斷結(jié)果的影響[14］。有學(xué)者[15］發(fā)現(xiàn), S-Detect技術(shù)的診斷準(zhǔn)確率優(yōu)于2年、5年、7年資超聲醫(yī)師的診斷結(jié)果, 診斷效能較好。本研究中, S-Detect技術(shù)準(zhǔn)確診斷乳腺惡性結(jié)節(jié)143個(gè), 良性124個(gè), 敏感性84.12%, 特異性83.78%, ROC曲線下面積為0.840, 具有良好的診斷效能, 但仍有假陽性及假陰性結(jié)果。分析原因：①S-Detect技術(shù)缺乏超聲中結(jié)節(jié)硬度、血流等相關(guān)參數(shù), 而這些因素是乳腺結(jié)節(jié)定性診斷的重要線索；②S-Detect技術(shù)采用單獨(dú)切面診斷, 受限于超聲圖像切面特點(diǎn), 病灶的部分超聲影像特征仍需醫(yī)師判讀, 因此人工智能系統(tǒng)切面的選擇仍需不斷完善, 需要廣大臨床工作者共享更多的臨床大數(shù)據(jù), 以擴(kuò)充S-Detect人工智能數(shù)據(jù)庫, 進(jìn)一步提升對超聲圖像判讀的自動(dòng)化, 故而S-Detect技術(shù)檢查結(jié)果僅能作為參考[16］。

本研究進(jìn)一步將S-Detect技術(shù)與調(diào)整后BI-RADS分類聯(lián)合應(yīng)用, 結(jié)果顯示其鑒別診斷乳腺結(jié)節(jié)良惡性的AUC為0.936, 敏感性和特異性均超過90%, 表明聯(lián)合應(yīng)用有利于提高對乳腺結(jié)節(jié)良惡性的診斷價(jià)值, 提示人工智能輔助BI-RADS分類鑒別乳腺結(jié)節(jié)良惡性能夠提高超聲圖像人為判讀的準(zhǔn)確性, 減少人為因素帶來的誤差。

綜上所述, S-Detect技術(shù)聯(lián)合基于CDFI調(diào)整的BI-RADS分類在乳腺結(jié)節(jié)良惡性鑒別診斷中具有良好的臨床應(yīng)用價(jià)值。但目前S-Detect技術(shù)仍需進(jìn)一步提升對超聲圖像判讀的自動(dòng)化。