Radiology：人工智能，让乳腺钼靶达到活检功能！

据统计，乳腺癌是2020年全世界范围内最常被诊断的癌症之一，估计有230万例之多。由于这种高发病率，通过将乳腺病变分为恶性或良性来提高乳腺摄影的准确性一直是医学图像计算领域关注的一个话题。尽管病理分析仍然是乳腺病变诊断的参考标准，但其侵入性程序是引起患者潜在不适和焦虑的来源。因此，减少不必要的活检率可以大大降低医疗费用、避免病人不必要的痛苦及焦虑。

由于数字乳腺钼靶（DM）在乳腺癌诊断中的广泛使用，临床上试图将结合深度学习和监督学习的模型应用于DM以实现乳腺病变的准确识别。虽然组织病理学和免疫组织化学检查的空间分辨率比DM高得多，但放射学特征有可能提供在几种乳腺病变类型中观察到的一系列细胞和亚细胞成分的特征。

近日，发表在Radiology杂志的一项研究开发了一个基于人工智能的模型，该模型可通过乳腺钼靶和标记有组织病理学信息的链接电子健康记录对乳腺病变亚型进行识别，为临床快速、准确的进行乳腺病变的良恶性鉴别及风险评估提供了技术支持。

本项回顾性研究收集了9234名接受数字乳腺钼靶检查的女性的26569张图像以预训练算法。训练数据包括2013年3月-2018年11月期间有至少1年的临床和影像学病史，随后有基于活检的组织病理学诊断的患者。研究对一个结合了卷积神经网络和监督学习算法的模型被进行了独立训练，用来自以色列的2120名和美国的1642名女性的数据进行乳腺病变预测。使用接收者操作特征曲线下的面积（AUC）和95%的DeLong方法来估计CI，并报告结果。

以色列的模型在456名女性中得到了验证，并在441名女性中进行了测试（平均年龄为51岁6[SD]）。美国的模型在350名女性中得到验证，并在344名女性中进行了测试（平均年龄60岁612岁）。在测试集（包括220名以色列患者的检查和126名美国患者的检查，其中有导管原位癌或浸润性癌症）中预测恶性肿瘤，算法对以色列和美国患者的AUC分别为0.88（95%CI：0.85，0.91）和0.80（95%CI：0.74，0.85）（P=0.006）。这些结果对其他患者群可能不成立，应进一步调查不同人群的可推广性。

图 图表显示了两个队列中分类性能的比较，使用成像和临床特征报告了性能。(A) 美国和以色列测试集的恶性肿瘤预测结果。标记代表放射科医生的平均表现，其CI值由自举法获得。(B) 侵袭性癌症与其他病变（定义为原位导管癌、高危病变、良性病变及其他）的预测结果。在验证组中，模型的操作点为90%的灵敏度。在A和B中，较浅的线代表10个训练好的模型的性能

本项研究表明，应用于临床和乳腺图像的人工智能可以实现乳腺病变亚型的识别，这有助于诊断工作流程的完善并进一步减少活检采样错误的出现。

原文出处：

Vesna Barros,Tal Tlusty,Ella Barkan,et al.Virtual Biopsy by Using Artificial Intelligence-based Multimodal Modeling of Binational Mammography Data.DOI:10.1148/radiol.220027