作者：
乳腺X线摄影作为检测乳腺疾病的有效手段之一，可以对乳腺癌进行早期的筛查和定性诊断，但是依然存在肉眼观察不到的重要征象。影像组学和深度学习（deep learning，DL）等人工智能（artificial intelligence，AI）技术在量化表示影像图像方面显示出巨大的潜力，可以有效地协助乳腺癌的早期检测、准确诊断和预测预后，为个性化的诊断和治疗提供重要帮助。AI与乳腺X线影像的结合也在不断发展中，本研究旨在探讨AI技术在辅助乳腺Ｘ线摄影对乳腺疾病诊疗中的应用价值。
1. AI概述
美国科学家John McCarthy于20世纪60年代提出了AI的概念，标志着 AI 时代的诞生，后随着计算机技术的发展而得到广泛应用和不断扩展。AI主要包括机器学习（machine learning，ML）和DL。ML利用纹理分析，在图像中提取量化信息，从而构建出一个分类或回归模型。DL是ML的演进，它依赖于深度分层架构来实现分层学习，该学习逐步提炼、提取和重组结构，以生成成像数据的表示。作为DL领域最具代表性的神经网络之一，卷积神经网络（convolutional neural network，CNN）在图像分析方面的能力尤其巨大。
另外，在乳腺临床应用研究中，影像组学也是一个热点。影像组学是指从影像图像中提取特征，挖掘更高维图像衍生的数据，以自动化、高通量的方式量化其表型特征，然后将这些特征与统计模型或AI技术提供的多种算法结合，从而执行分类任务或预测其他感兴趣的临床终点。因此，影像组学与AI 技术既相互独立又紧密联系，两者相互结合，可有效促进影像诊断的智能化发展，从而更好地协助放射科医师对病变的筛查、诊断、预测淋巴结转移及分子分型，打破个体经验的限制，实现个体化、精准化的临床诊断及治疗。
2. 基于AI乳腺X线影像的临床应用
2.1 筛查
乳腺癌的早期发现已被证实能明显降低患者死亡率，而乳腺X线摄影是目前乳腺癌筛查采用的主要影像学检查方式。近年来，基于AI乳腺X线的筛查已成为研究的热点，特别是CNN在乳腺癌筛查的乳腺X线摄影诊断中表现出优异的性能。Lauritzen等研究表明基于AI的X线摄影筛查的特异性（98.6%）略高于放射科医师（98.1%），而敏感性相差不大，同时放射科医师的工作量减少了62.6%，假阳性减少了25.1%。
Lång等将80033名女性随机分配到AI支持的筛查组（n=40003）和非AI支持的标注双审核组（n=40030），其中13名女性被排除在分析之外，最终AI支持筛查组的癌症检出率为每1000名筛查受试者6.1例（95%CI 5.4~6.9），而对照组为5.1 例（4.4~5.8），比值为1.2（95%CI 1.0~1.5；P=0.052）。使用AI后，屏幕阅读工作量减少了44.3%。因此本研究表明，与标准双审核相比，AI支持的乳腺X线摄影筛查产生了相似的癌症检出率，屏幕阅读工作量大大降低。
多项研究表明，在AI辅助的情况下放射科医师对乳腺X线摄影进行筛查时，可以增加癌症病变的检出率，减少漏诊率，从而使放射科医师表现出更高的特异性，提高其诊断性能。以上研究表明基于AI开展乳腺癌X线影像筛查，不仅可以减轻放射科医师的工作量，还能不断提高乳腺癌诊治的精准度和特异性。
2.2 良恶性诊断
乳腺X线摄影是早期诊断乳腺癌的主要检查手段，放射科医师的工作重点是对乳腺疾病良性与恶性的鉴别诊断。
李家豪等探究基于乳腺X线多视图的深度学习（MMV-Net）模型的分类诊断效能，最终得出MMV-Net 模型在区分良性和恶性肿块的AUC 值为0.913，高于MFA-Net 的0.882 和Inception V4 的0.865，表明MMV-Net模型有助于对乳腺X线肿块良性和恶性的鉴别诊断。钙化是早期乳腺癌诊断的主要甚至是唯一特征，对于微钙化的检出敏感性及诊断特异性，乳腺X线摄影相比于超声、磁共振检查更具优势。
翟天旭等利用AI（基于深度学习的乳腺X线辅助诊断-DL）系统对乳腺X线摄影中钙化的良恶性分类进行研究，得出对于BI-RADS 3级及以上可疑钙化的良恶性分类诊断中，DL系统具有较高的诊断性能。另有研究表明基于Attention U-Net的乳腺X线图像微钙化检测模型在不受钙化性质及乳腺密度影响的情况下，能有效检测出乳腺微钙化并对其进行定量研究。随着AI技术的不断发展与应用，AI技术将更加有助于辅助临床降低漏诊及误诊率，特别对低年资医师对乳腺癌的诊断有更大的帮助，减少其临床培养周期。
2.3 分子分型
乳腺癌是一种高度异质性疾病，在临床实践中可根据基因组图谱或4种免疫组织化学生物标志物［
CEM是一种新的乳腺X线摄影技术，具有双能量（低能量和高能量）图像和光谱图像减影。低能量（LE）图像类似于传统的数字乳腺X线摄影，重组图像（RC）是从低能量和高能量采集生成到对比剂摄取的高光区域，同时减去正常乳腺组织，它为结合乳腺恶性肿瘤的新血管生成和可疑微钙化提供了良好的环境，并在临床上用作MRI的可行替代方案。
Zhu等通过探讨基于CEM影像组学特征术前预测乳腺癌分子亚型的疗效，对356例患者的386个病灶进行研究，构建 LE、RC 和 LE+RC 影像组学模型，最终得出基于CEM 的影像组学模型具有较高的乳腺癌分子亚型预测价值；LE+RC 模型在测试集中取得了最佳性能。
2.4 预测淋巴结转移
乳腺癌患者腋窝淋巴结转移（ ALNM） 的检测是腋窝手术和潜在疗法决策过程中的关键决定因素。在临床上，用于评估腋窝淋巴结状态的两种常用方法是前哨淋巴结活检（SLNB）和腋窝淋巴结清扫术（ALND），但这些程序都会引起并发症，包括手臂疼痛、
多项研究表明乳腺X线摄影结合影像组学对乳腺癌患者的淋巴结转移具有较高的预测效能，可以作为术前辅助临床医师制定个性化治疗方案的无创辅助工具。Wang等对2个中心的809个术前乳腺癌CEM影像进行回顾性分析，通过提取肿瘤内和肿瘤周围区域的影像组学特征，探讨其预测ALNM的可行性。结果表明CEM图像中的瘤周区域可能包含有关ALNM转移的补充信息，基于大型和多中心 CEM 数据的影像组学列线图在预测术前ALNM和指导治疗策略方面具有潜在的应用价值。陈修婷等亦在DBT图像上进行验证，得出基于DBT瘤内联合瘤周区域提取的影像组学特征结合临床因素所构建的列线图模型有助于术前无创性预测乳腺癌患者ALNM状态。
3. 现状不足及前景展望
乳腺X线结合AI在筛查、诊断乳腺病变、分子分型及淋巴结转移的预测方面均有很好的应用，可以提高放射医师工作效率，减少漏诊、误诊，并有望使患者的预后得到有效改善。但是，目前对于乳腺X线AI的研究主要集中在对乳腺疾病的筛查和诊断中，对分子分型及预测淋巴结转移方面的研究相对较少，并且乳腺AI的发展离不开多中心、大数据的支持，而目前乳腺X线AI的研究相对单一。随着乳腺AI的不断发展、DL模型的优化、大数据库的支持，乳腺影像AI技术将更好地辅助临床，并在医学领域中占据重要地位。
来源：周华亭,
我要投稿
