作者：赵雪枫，滨州医学院医学影像学院；毛宁，谢海柱，青岛大学附属烟台毓璜顶医院影像科
1.深度学习概述
影像组学可以从医学图像中提取定量图像信息，发现肉眼无法观察到的组学特征，辅助医师诊断疾病。然而，影像组学特征需要人工设计，一定程度上受到主观因素影响。随着人工智能的发展革新，深度学习（deep learning,DL）发展为计算机视觉领域先进的图像分析技术，从2017年开始被广泛应用于医学图像领域，特别是在辅助医学影像诊断方面。
DL是指对样本数据的内部规律和表达层级进行学习，从而构建出一种类似于人类大脑并可以进行分析和学习的神经网络。卷积神经网络（convolutional neural network,CNN）是现阶段DL在图像识别分析领域中最具代表性的算法之一，它的基本组件具体如下：输入层、卷积层、池化层、全连接层、输出层。
当前，较多的研究着重于疾病检测、分割、分类和疗效预测方面，基于此延伸出众多具备不同功能的网络，例如：VGG、ResNet、U-Net及Vnet等，上述网络是在基础CNN架构上进行的改进，在病灶分割、良恶性鉴别、淋巴结转移预测、分子分型预测、疗效评估等不同任务中表现可观。
2. DL在乳腺疾病中的应用
2.1 DL在乳腺病灶检测分割中的应用
DL对乳腺病变的特征学习首先依赖于对病灶的检测及精确分割。但目前病灶分割方法仍存在2个问题：1）手工绘制感兴趣区域（region of interest,ROI）受到人的主观性影响；2）人工从海量的MRI图像中勾画病变区域费时费力。而DL在乳腺MRI病灶分割领域中已经得到了应用，可以较好的解决上述问题。U-net是乳腺癌MRI病灶分割最常用的DL模型，由此延伸开发的3D U-net网络经过充分训练之后可以与放射住院科医师的分割准确性相媲美。
早期乳腺
乳腺MRI背景实质强化水平（background parenchymal enhancement,BPE）与乳腺癌的发生密切相关，为了对BPE进行标准化定量，马明明等首先使用U-Net 3D模型分割乳腺纤维腺体组织（fibroglandular tissue,FGT）区域，随后利用阈值分割技术得到BPE区域并同时计算BPE体积与FGT比值自动获取BPE分类，结果U-Net 3D模型的平均Dice相似性系数达到了0.902，阈值分割技术计算得到的BPE分类结果的整体准确度为0.95，说明通过DL和阈值分割技术对乳腺磁共振BPE的自动分类方法可行，未来有可能应用于临床实践。
目前有关乳腺病灶检测分割的研究着重于单一任务，将来的研究可以通过管道系统将病灶检测分割与分类任务集成，从而更有效地满足不同的临床需求。
2.2 DL在乳腺良恶性鉴别中的应用
DCE-MRI可以评估组织的血流情况及微循环的参数，可以将其作为肿瘤的特定特征。TRUHN等将DCE-MRI中影像组学分析（radiomics analysis,RA）、CNN和放射科医师识别良恶性病灶的能力进行对比，结果CNN性能优于RA(AUC,0.88 vs0.81），表明在一个有限的训练数据集下（n=447），用CNN实现的诊断准确性优于影像组学，虽然CNN诊断性能暂时不如放射科医师（AUC=0.98），但这也说明DL还有待于优化与革新。同时，DL模型对数据高度依赖，为了进一步提升CNN模型性能，样本量仍需扩大。
WITOWSKI等使用DL提高乳腺癌诊断的总体准确率，DL与5位乳腺放射科医师之间的准确性差异没有统计学意义（P=0.19），但将放射科医师的预测值与DL的预测值进行平均后，放射科医师的表现有所改善，精确率与召回率曲线下面积平均值提高了0.07，弥补了JIANG等研究中乳腺癌诊断准确性不足的问题，减少了误诊及不必要的穿刺活检。研究还使用多国测试集证明了DL的稳定性。但该DL系统并没有明确解释与其决策制定相关的临床与影像特征，未来DL的开发需要更加具有透明度与可解释性。
2.3 DL在评估淋巴结转移中的应用
腋窝淋巴结（axillary lymph node,ALN）是乳腺癌最重要的淋巴转移通道，约70%的乳腺淋巴引流到该区域。乳腺癌患者ALN转移的精确预测，对于患者的预后、治疗方案制定等具有重要意义。WANG等分别采用T1WI、T2WI和DWI序列构建CNN模型对ALN进行评估，并进一步构建集成多参数MRI的ALN转移预测模型，结果T2WI对ALN转移的识别优于DWI和T1WI，这可能与淋巴结在T2WI对对比剂渗漏更敏感有关。但该研究受到样本量的限制，缺乏外部验证集。
REN等利用T1WI、T2WI、DCE-MRI、T1WI+T2WI和DCE-MRI+T2WI建立了5个CNN模型预测ALN转移，结果联合T1WI和T2WI的模型性能最优（AUC=0.882）。研究还对模型与放射科医师判别淋巴结转移的能力进行比较，结果各模型的性能均优于放射科医师。因此，利用DL辅助医师诊断ALN是否转移是将来的发展方向。
SANTUCCI等分析基于CNN的具有不同肿瘤边界框选择的方法预测乳腺DCE-MRI中的淋巴结状态。结果二维切片训练的神经网络准确率和AUC最好。这证明了选择性纳入瘤周组织可以提高DL预测淋巴结状态的准确性，这可能是因为瘤周组织包含有关肿瘤侵袭性的有价值的信息。目前大多数基于DL预测淋巴结的研究局限于单一医疗中心的样本，数据量较小且类别不平衡，由于DL高度依赖数据，未来需要使用公用数据集提高模型性能。
2.4 DL在乳腺癌分子分型预测中的应用
乳腺癌是一类异质性很强的肿瘤，不同分子分型的乳腺癌治疗方案及预后各有差异。影像组学是从医学图像中提取定量特征用于诊断的有效方法，并且已经被应用于区分乳腺癌的分子类型，但这些研究受到样本量较小的限制。文献有应用卷积长短期记忆（convolutional long short term memory,CLSTM）网络和CNN区分乳腺癌三种亚型，结果使用CLSTM算法具有更高的精确度，这可能与CLSTM跟踪DCE采集过程中信号强度的变化，并获取与分子分型有关的时空特征有关。
此外，研究还利用迁移学习对CLSTM模型进行重调，结果重调后的模型在外部测试集中的准确率从39.0%提升到74.0%。分别采用无监督学习和集成学习方法预测乳腺癌管腔型和非管腔型，结果无监督学习建立的模型性能高于集成学习模型（AUC 0.836 vs 0.823），说明无监督预训练的迁移学习可能有助于乳腺癌分子分型的自动预测。然而由于受到数据集类别不平衡的影响，未来有必要扩大样本量并开展前瞻性验证，使模型更加准确、鲁棒。
2.5 DL在乳腺癌新辅助疗效评估中的应用
乳腺癌新辅助治疗具有降期保乳及降期手术等优势，在乳腺癌的综合治疗中发挥重要作用。术前新辅助化疗（neoadjuvant chemotherapy,NAC）能有效缩小肿瘤面积，提高手术成功率、降低转移率。DCE-MRI对肿瘤新生血管的改变具有很高的敏感性，在乳腺癌的早期治疗中，DCE-MRI已经可以很好的预测乳腺癌的病理完全缓解（pathologic complete response,pCR）。利用迁移学习算法并收集新辅助化疗前后乳腺癌的图像特征，之后进行特征筛选分类及疗效预测，预测的准确率达到70.0%。
将NAC后肿瘤的反应分为了PCR、部分缓解和无缓解或进展三个组别，使用基于DCE-MRI的CNN实现了较高的预测准确率（95.0%），但该研究为单中心，存在数据量少以及数据偏倚等不足。进一步研究NAC前后DCE-MRI在CNN中预测pCR的差异，结果使用基线与NAC后图像的组合模型的AUC最优（AUC=0.91）。进一步说明选用未经分割的图像训练比手动分割肿瘤边界的图像性能更好。这可能是由于人为勾画ROI忽略了与肿瘤异质性相关的信息，使得CNN未能学习到更多与肿瘤相关的信息。
3.小结与展望
大量研究表明随着人工智能特别是DL算法的快速发展，MRI对乳腺疾病的诊断性能有了显著提升，可以辅助临床医师决策。目前，DL在乳腺肿瘤DCE-MRI的病灶检测分割、良恶性鉴别、淋巴结转移预测、分子分型及疗效预测等方面均有所应用。DL可以简化临床医师工作量并提高其诊断疾病的准确性，对实现个体化诊疗至关重要。但是，DL的应用仍存在众多问题：1）虽然近年来DL研究中纳入的样本量在逐渐增多，但仍然需要进一步扩充；2）DL网络及架构需要不断开拓创新；3）对于多中心研究的数据，不同的成像设备其扫描参数存在很大差异，使得DL模型预测的准确性和可重复性受到限制；4）单一模态相关的DL研究较多，未来结合分子组学和病理组学的信息，可以更加全面的认识肿瘤，有助于对分类、分型、疗效和预后等的判断；5）目前DL模型的透明度和可解释性较差，未来在细胞及分子水平可能会更加全面的解释DL模型。
综上所述，DL能挖掘医学影像学中肉眼无法识别的特征，比传统诊断方式更加准确客观，随着精准化、个性化医疗的发展，DL将更好地应用于乳腺MRI疾病的筛查、诊断治疗、风险评估和疗效预测。
来源：赵雪枫,毛宁,谢海柱.基于MRI的深度学习在乳腺癌中的研究进展[J].医学影像学杂志,2024,34(05):140-142+146.
(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)
