人工智能S-Detect 技術(shù)聯(lián)合BI-RADS 分類及Adler 分級(jí)法在乳腺腫塊診斷中的價(jià)值

李如冰，彭梅，畢玉，詹韻韻，姜凡，方明娣

（安徽醫(yī)科大學(xué)第二附屬醫(yī)院超聲診斷科，安徽 合肥 230601）

近年來，隨著外科手術(shù)及各種輔助治療手段的發(fā)展，早期乳腺癌的五年生存率已達(dá)90%。因此乳腺癌的早期篩查與準(zhǔn)確診斷至關(guān)重要。目前對(duì)于乳腺腫瘤的影像學(xué)檢查方法包括超聲、鉬靶、磁共振等[1]。乳腺超聲檢查技術(shù)以其無創(chuàng)、可重復(fù)性等優(yōu)勢(shì)廣泛應(yīng)用于臨床，但由于不同年資醫(yī)師對(duì)其理解程度有主觀上的差異與客觀上的誤差，導(dǎo)致對(duì)一些不典型乳腺腫塊的判斷容易誤診。美國(guó)放射學(xué)會(huì)（American College of Radiology，ACR）為規(guī)范乳腺影像學(xué)檢查報(bào)告和結(jié)果評(píng)估，制定并更新乳腺影像報(bào)告數(shù)據(jù)系統(tǒng)（BI-RADS）[2]，然而在臨床診斷中發(fā)現(xiàn)，良惡性乳腺腫塊之間仍存在較大的交叉重疊。本研究中采用的S-Detect 技術(shù)[3，4]是一種新的人工智能超聲輔助診斷技術(shù)，采用卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法，自動(dòng)提取病灶特征綜合分析后給出診斷結(jié)果，但此項(xiàng)技術(shù)僅給出二分類結(jié)果，單一應(yīng)用效能較低。因此，有部分研究[5-7]將BI-RADS 與S-Detect 技術(shù)聯(lián)合應(yīng)用，但兩者均未將腫瘤的血供特征進(jìn)行系統(tǒng)化的評(píng)估，而乳腺腫塊的血供特征是其良惡性鑒別的重要線索，Adler 分級(jí)法[8]可將血供特征半定量化進(jìn)而評(píng)估腫塊的良惡性。基于此，本研究在BI-RADS分類基礎(chǔ)上，將血供特征采用Adler 分級(jí)法定義，與人工智能S-Detect 技術(shù)聯(lián)合以提高診斷效能，以期降低乳腺癌的誤診及漏診率，同時(shí)也減少不必要的手術(shù)及乳腺病灶的穿刺活檢，減輕患者的心理負(fù)擔(dān)、經(jīng)濟(jì)損失與手術(shù)創(chuàng)傷。

1 資料與方法

1.1 一般資料 收集2019 年9 月-2021 年7 月在安徽醫(yī)科大學(xué)第二附屬醫(yī)院醫(yī)院行超聲診斷檢查并留有完整圖像資料的患者121 例，共121 個(gè)乳腺腫塊，年齡18～75 歲，平均年齡（45.42±13.06）歲，結(jié)節(jié)最大長(zhǎng)徑5～54.00 mm，平均最大長(zhǎng)徑（22.48±10.42）mm。

1.2 納入及排除標(biāo)準(zhǔn) 納入標(biāo)準(zhǔn)：患者入院經(jīng)乳腺超聲檢查并行空心針穿刺或手術(shù)治療后病理確診的患者。排除標(biāo)準(zhǔn)：①妊娠期患者或哺乳期患者；②BI-RADS 診斷分類為0、1、2、6；③接受過放化療；④接受過穿刺活檢；⑤非腫塊性病變；⑥非乳腺原發(fā)病灶的患者。

1.3 方法 采用配備有S-Detect 軟件的Samsung RS80A 超聲診斷機(jī)型，線陣探頭，頻率3～12 MHz。①BI-RADS 診斷：患者仰臥位，雙手舉過頭頂，充分暴露兩側(cè)乳房，先對(duì)患者行常規(guī)超聲檢查，對(duì)腫塊進(jìn)行BI-RADS 分類（圖1），結(jié)果記入A 組。②BI-RADS 聯(lián)合S-Detect 診斷：進(jìn)入人工智能模塊，選擇最代表腫塊聲像圖特征的長(zhǎng)軸及短軸切面進(jìn)行，將光標(biāo)移至腫塊中心位置，凍結(jié)后系統(tǒng)自動(dòng)勾畫腫塊，若自動(dòng)勾畫不滿意可選擇人工手動(dòng)勾畫，系統(tǒng)進(jìn)行分析并給出評(píng)價(jià)，當(dāng)長(zhǎng)軸和短軸結(jié)果不一致時(shí)，以惡性結(jié)果為準(zhǔn)（圖2）。依據(jù)BI-RADS 分類基礎(chǔ)，S-Detect 評(píng)估為惡性的腫塊，分類結(jié)果上升一類別（已為最高類別者不再上調(diào)）；S-Detect 評(píng)估為良性的腫塊，分類結(jié)果相應(yīng)降低一個(gè)級(jí)別（已為最低類別者不再下調(diào)），結(jié)果記入B 組。③BI-RADS 聯(lián)合SDetect 及Adler 分級(jí)法聯(lián)合診斷：在BI-RADS 聯(lián)合S-Detect 診斷結(jié)果基礎(chǔ)上，若Adler 分級(jí)法評(píng)級(jí)為惡性（圖3），病理結(jié)果見圖4，分類結(jié)果相應(yīng)增加一個(gè)類別（若已為最高類別者不再上調(diào)）；若Adler分級(jí)法評(píng)級(jí)為良性，分類結(jié)果相應(yīng)降低一個(gè)級(jí)別（若已為最低類別者不再下調(diào)），結(jié)果記入C 組。④BI-RADS 分類采用ACR 于2013 推出的BI-RADS版分類，為降低腫塊穿刺活檢率，認(rèn)定0～3 類腫塊為良性，4A 類及以上腫塊為惡性。血流特征采用Adler 分級(jí)法定義：0 級(jí)：病灶內(nèi)無血流信號(hào)；Ⅰ級(jí)：病灶內(nèi)可見1～2 個(gè)點(diǎn)狀或者短棒狀血流信號(hào)；Ⅱ級(jí)：病灶內(nèi)可見3～4 個(gè)點(diǎn)狀血管或1 條較長(zhǎng)的血管，其長(zhǎng)度可接近或超過腫塊半徑；Ⅲ級(jí)：病灶內(nèi)可見5 個(gè)及以上點(diǎn)狀血管或2 條較長(zhǎng)的血管，影像學(xué)意義：0、Ⅰ級(jí)為良性，Ⅱ、Ⅲ級(jí)為惡性[5]。

圖1 BI-RADS 分類

圖2 BI-RADS 聯(lián)合S-Detect 診斷

圖3 BI-RADS 聯(lián)合S-Detect 及Adler 分級(jí)法診斷

圖4 惡性病理結(jié)果

1.4 統(tǒng)計(jì)學(xué)方法 應(yīng)用SPSS 23.0 及MedCalc 19.1 進(jìn)行數(shù)據(jù)處理，計(jì)數(shù)資料采用[n（%）]表示，行χ2檢驗(yàn)，用四格表計(jì)算BI-RADS、BI-RADS 聯(lián)合S-Detect、BI-RADS 聯(lián)合S-Detect 及Adler 分級(jí)法診斷乳腺腫塊良惡性的靈敏度、特異度和準(zhǔn)確度，并繪制ROC 曲線、計(jì)算曲線下面積（area under curve，AUC），Z檢驗(yàn)比較三種診斷方法間AUC 的差異，以P＜0.05 為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 病理結(jié)果 121 個(gè)腫塊手術(shù)后病理結(jié)果顯示，良性56 個(gè)，惡性65 個(gè)。良性包括：纖維腺瘤10 個(gè)，腺病13 個(gè)，腺瘤29 個(gè)，導(dǎo)管內(nèi)乳頭狀瘤2 個(gè)，炎癥2個(gè)；惡性包括：浸潤(rùn)性癌57 個(gè)，導(dǎo)管內(nèi)原位癌7 個(gè)，黏液腺癌1 個(gè)。

2.2 BI-RADS、BI-RADS 聯(lián)合S-Detect、BI-RADS 聯(lián)合S-Detect 及Adler 分級(jí)法的診斷效能比較 BIRADS、BI-RADS 聯(lián)合S-Detect、BI-RADS 聯(lián)合SDetect 及Adler 分級(jí)法診斷結(jié)果見表1，BI-RADS、BI-RADS 聯(lián)合S-Detect、BI-RADS 聯(lián)合S-Detect 及Adler 分級(jí)法的診斷效能見表2，三組診斷方法的AUC 分別為0.644、0.663、0.823。ROC 曲線顯示，聯(lián)合診斷乳腺腫塊優(yōu)于單獨(dú)應(yīng)用BI-RADS、BI-RADS聯(lián)合S-Detect 技術(shù)，見圖5。

圖5 BI-RADS、BI-RADS 聯(lián)合S-Detect、BI-RADS聯(lián)合S-Detect 及Adler 分級(jí)法診斷乳腺腫塊良惡性的ROC 曲線圖

表1 BI-RADS、BI-RADS 聯(lián)合S-Detect、BI-RADS 聯(lián)合S-Detect 及Adler 分級(jí)法診斷結(jié)果比較（n）

表2 BI-RADS、BI-RADS 聯(lián)合S-Detect、BI-RADS聯(lián)合S-Detect 及Adler 分級(jí)法診斷效能比較（%）

3 討論

目前，乳腺癌為女性第一位惡性腫瘤死因[9]，女性乳腺腫瘤已經(jīng)超過肺癌成為全球發(fā)病率最高的腫瘤。每年約有230 萬的新發(fā)病例，占所有新發(fā)腫瘤病例的11.7%[10]。在我國(guó)，女性乳腺腫瘤每年新發(fā)人數(shù)約27 萬人，其也是我國(guó)女性最高發(fā)的惡性腫瘤[11]。由于人口基數(shù)大，我國(guó)女性乳腺癌發(fā)病人數(shù)及死亡人數(shù)均居世界首位，分別占世界女性乳腺癌發(fā)病和死亡人數(shù)的17.6%和15.6%[12]。而提高乳腺癌生存率的關(guān)鍵在于早診斷、早治療。美國(guó)放射學(xué)會(huì)提出的BI-RADS 分類系統(tǒng)標(biāo)準(zhǔn)化了世界范圍內(nèi)的乳腺超聲檢查報(bào)告，進(jìn)一步提高了超聲檢查在乳腺腫塊鑒別診斷中的準(zhǔn)確性，然而在臨床診斷中發(fā)現(xiàn)，乳腺良惡性腫塊之間仍存在較大的交叉重疊[13，14]，因此如何更客觀地評(píng)價(jià)乳腺病變的良惡性成為目前臨床亟需解決的難題。

近年來，以大數(shù)據(jù)、深度學(xué)習(xí)算法為基礎(chǔ)的AI技術(shù)正廣泛融入醫(yī)療領(lǐng)域，超聲與人工智能結(jié)合是數(shù)字醫(yī)療領(lǐng)域研究新熱點(diǎn)之一，計(jì)算機(jī)輔助診斷系統(tǒng)具有客觀、穩(wěn)定、可重復(fù)性高等優(yōu)勢(shì)，CAD 系統(tǒng)可以對(duì)圖像進(jìn)行處理、分割及特征提取[15]，可以獲得比臨床醫(yī)師更多的信息，使診斷結(jié)果更加客觀、準(zhǔn)確。本研究采用的S-Detect 技術(shù)[16]是一種新的人工智能超聲輔助診斷技術(shù)，于2015 年應(yīng)用于臨床，國(guó)外目前主要在韓國(guó)、意大利等國(guó)家醫(yī)院有報(bào)道使用，國(guó)內(nèi)主要為北京協(xié)和醫(yī)院、中國(guó)醫(yī)科大學(xué)附屬醫(yī)院、第四軍醫(yī)大學(xué)唐都醫(yī)院等少數(shù)幾家知名醫(yī)院開展此項(xiàng)技術(shù)，省內(nèi)尚未有醫(yī)院常規(guī)開展。S-Detect 技術(shù)具有諸多特點(diǎn)：首先，可對(duì)圖像隨時(shí)反復(fù)閱讀，彌補(bǔ)臨床經(jīng)驗(yàn)不足的缺點(diǎn)，降低操作者的依賴性，減少主觀錯(cuò)誤，增強(qiáng)評(píng)價(jià)的客觀性；其次，超聲醫(yī)生通過多方位、多切面觀察，結(jié)合情況及病史，綜合多因素給出腫塊的BI-RADS 分類，但兩者均未將腫瘤的血供特征進(jìn)行系統(tǒng)化的評(píng)估，而有研究表明血管生成在腫瘤生長(zhǎng)和轉(zhuǎn)移中起著重要作用[17]。隨著乳腺癌的發(fā)展，腫瘤內(nèi)新生血管增多，此即為彩色多普勒超聲血流顯像的病理基礎(chǔ)[18]。本研究在BI-RADS 分類基礎(chǔ)上，將血供特征采用Adler 分級(jí)法定義，與人工智能SDetect 技術(shù)聯(lián)合以提高診斷效能，以期降低不典型乳腺癌的漏診率。

本研究結(jié)果發(fā)現(xiàn)，三種診斷方法的AUC 分別為0.644、0.663、0.823，BI-RADS 聯(lián)合S-Detect 及Adler 分級(jí)法的診斷效能優(yōu)于單獨(dú)應(yīng)用BI-RADS 和BI-RADS 聯(lián)合人工智能S-Detect 技術(shù)，其中單獨(dú)應(yīng)用BI-RADS 和BI-RADS 聯(lián)合人工智能S-Detect技術(shù)之間的診斷效能基本一致。其中，應(yīng)用BIRADS 聯(lián)合S-Detect 及Adler 分級(jí)法后特異度上升（P＜0.05），表明此診斷方法提高了良性腫塊的診斷效能。美國(guó)放射學(xué)會(huì)（ACR）建議BI-RADS 4 類結(jié)節(jié)應(yīng)穿刺活檢獲取病理診斷[19]。本研究中121 個(gè)腫塊在應(yīng)用聯(lián)合診斷后，將原BI-RADS 分類評(píng)估的32個(gè)4A 類結(jié)節(jié)降級(jí)為3 類，使穿刺活檢率大大降低。這使只需定期隨診的腫塊減少了不必要的穿刺活檢，減輕了患者的心理負(fù)擔(dān)、經(jīng)濟(jì)損失與手術(shù)創(chuàng)傷。另外，本研究中聯(lián)合診斷前后靈敏度基本一致，可能是由于入組病例只選取了手術(shù)治療并獲得確切病理結(jié)果的病例，聯(lián)合診斷前BI-RADS 可能已達(dá)到較高的級(jí)別（4B 類及以上），聯(lián)合診斷后不能體現(xiàn)對(duì)這部分病例的靈敏度改變，對(duì)于這部分病例的診斷效能有待進(jìn)一步研究。

對(duì)于超聲圖像特征不典型的導(dǎo)管內(nèi)原位癌等，其病灶發(fā)展為浸潤(rùn)性癌甚至轉(zhuǎn)移的可能性很大，有研究發(fā)現(xiàn)多數(shù)導(dǎo)管內(nèi)原位癌可表現(xiàn)出惡性腫瘤的血流特征[20]，與本研究中7 例乳腺導(dǎo)管內(nèi)原位癌一致，聯(lián)合診斷對(duì)此類病例檢出率較高，因此可提高臨床及患者的重視度，早期干預(yù)治療降低病灶進(jìn)展甚至轉(zhuǎn)移的可能性。

本研究的局限性：①樣本量較小，需進(jìn)一步擴(kuò)大樣本量；②只選取手術(shù)治療的病例，因此惡性病例偏多，存在一定的選擇偏倚；③血流特征未采用新興的超微血管成像，使診斷價(jià)值評(píng)估不夠全面；④為使得整個(gè)診斷過程簡(jiǎn)便、客觀，避免主觀因素混雜影響，聯(lián)合診斷方法公式化，未能將結(jié)節(jié)內(nèi)鈣化情況、彈性、造影等因素體現(xiàn)在聯(lián)合診斷中。

綜上所述，BI-RADS 聯(lián)合S-Detect 技術(shù)及Adler 分級(jí)法可進(jìn)一步提升對(duì)乳腺腫塊的診斷效能，對(duì)臨床干預(yù)與治療具有重要的指導(dǎo)意義。