Invest Radio：深度学习分类和计算机辅助诊断对乳腺癌MR筛查的价值

现阶段，临床上可使用增强磁共振成像（MRI）可与X射线乳腺检查结合的方式对无症状的妇女进行乳腺癌筛查。对乳腺极度致密的女性进行补充MRI筛查，可以提高癌症的检出率。然而，与乳腺钼靶检查相比，乳腺MRI检查的特异性较低，而且会引起额外的工作量产生。

为了减少乳腺磁共振（MR）放射科医生的工作量，研究人员将重点放在自动病变检测上。其中一个研究重点是使用计算机辅助分流（CAT）来对正常扫描进行识别。最近报道的CAT是根据DENSE试验第一轮筛查中4783次MRI检查的数据开发的，大约40%的正常乳腺检查没有排除恶性疾病。

近日，发表在Investigative Radiology杂志的一项研究在DENSE的第二轮筛查中探讨了CAT与CAD结合起来进行乳腺癌筛查的潜力，为最大限度地减少工作负荷以及良性病变的活检数量提供了技术支持。

本项研究纳入了2901张来自荷兰8家医院的乳腺磁共振扫描图像。之前根据第一轮筛查的数据进行了计算机辅助分流和CAD，通过计算机辅助分流驳回了没有病变的检查。记录被分流到放射科阅读的磁共振成像检查，随后由CAD处理，并记录了CAD正确分类的良性病变的数量。在第二轮筛查中，将CAD的假阳性率与无辅助的放射学读片的假阳性率进行了比较。通过比较第一轮和第二轮筛查的结果，进行了接收操作特征（ROC）分析，并评估了CAT和CAD的普适性。 

计算机辅助分诊驳回了2901次检查中的950次（32.7%），共49个病灶；没有一个是恶性的。随后的CAD将285个病变中的132个（46.3%）归为良性病变，没有误判任何恶性病变。CAT和CAD共同产生的假阳性病变明显少于单独的放射学阅读，分别为109例中的53例（48.6%）和109例中的89例（78.9%）（P=0.001）。与第一轮筛查相比，计算机辅助分诊在第二轮筛查中的ROC曲线下的面积较小，为0.83对0.76（P = 0.001），但这并不影响100%敏感性操作阈值下的阴性预测值。计算机辅助诊断与ROC曲线下面积的显著差异无关（0.857 vs 0.753，P = 0.08）。在操作阈值下，CAT（39.7% vs 41.0%，P = 0.70）和CAD（41.0% vs 38.2%，P = 0.62）的特异性在第二轮成功再现。 

图 CAT用于区分有病变（良性和恶性）和无病变检查的ROC曲线，适用于第一轮（左）和第二轮（右）筛选数据。图例中显示了95%的置信区间

研究表明，CAT和CAD的联合应用可实现放射科医生工作量以及对良性病变活检数量的减少。计算机辅助分诊（CAT）正确地驳回了2901次检查中的950次（32.7%），共49个病变，且没有一个是恶性的。随后的计算机辅助诊断（CAD）将285个病变中的132个（46.3%）归为良性病变，没有误判任何恶性病变。同时，CAT和CAD联合应用产生的假阳性病变明显少于单独应用一种检查所产生的假阳性病变。

原文出处：

Erik Verburg,Carla H van Gils,Bas H M van der Velden,et al.Validation of Combined Deep Learning Triaging and Computer-Aided Diagnosis in 2901 Breast MRI Examinations From the Second Screening Round of the Dense Tissue and Early Breast Neoplasm Screening Trial.DOI:10.1097/RLI.0000000000000934