S-detect技术辅助超声鉴别诊断最大径≤2 cm乳腺良恶性肿块型病灶

贺 芳，肖际东，文 欢，毛玉瑶

(中南大学湘雅三医院超声科，湖南 长沙 410013)

乳腺癌是女性最常见的恶性肿瘤之一，早期诊断和治疗是提高患者生存率、延长生存期的关键[1-2]。乳腺病灶早期较小，影像学表现复杂多样，常介于良性与恶性之间，是临床诊断的难点[3]。S-detect技术是一种新的人工智能超声辅助诊断技术，采用卷积神经网络深度学习算法，基于乳腺检查大数据分析，可为鉴别诊断乳腺良恶性病变提供参考，使乳腺超声诊断更快速、更高效[4-6]。本研究探讨S-detect辅助常规超声鉴别诊断乳腺良恶性小病灶的应用价值。

1 资料与方法

1.1 一般资料 选取2017年11月—2018年1月于我院接受手术治疗并获得术后病理结果的42例乳腺小病灶患者，均为女性，年龄27～65岁，平均(42.6±6.2)岁；多以乳腺胀痛、触及肿块或乳头溢液等症状就诊；共54个病灶，最大径5～20 mm，平均(14.23±4.47)mm。纳入标准：接受S-detect技术及常规超声扫查，乳腺病灶采集切面图像清晰，病灶为肿块型且最大径≤2 cm；术前未接受新辅助化疗、内分泌治疗等。排除标准：乳腺内置入假体和常规超声难以显示的非肿块型病灶。

1.2 仪器与方法 采用Samsung RS80A彩色多普勒超声检查仪，L3-12A探头，频率5～13 MHz。嘱患者平卧，双臂充分外展，暴露双侧乳腺和腋窝。以乳头为中心，分别进行纵切、横切和斜切面扫查，观察记录病灶最大径、内部回声、边缘、包膜、钙化、纵横比、后方有无声衰减及病变与周围血供情况等声像图特征，并观察双侧腋下淋巴结。S-detect检测选取乳腺模式，首先在2D模式下对病灶进行横切、纵切扫查，以肿块最大径及与其垂直的切面为标准层面，获取最佳乳腺肿瘤图像；进入S-detect模式，软件自动勾画病灶区域，必要时予以手动矫正；激活S-detect自动分析程序，输出S-detect报告，判断病灶为良性或恶性，若2个切面诊断结果不同，则认定为恶性。

1.3 诊断标准 参照Elverici等[7-10]的标准，以常规超声对乳腺病灶进行乳腺影像报告和数据系统(breast imaging reporting and data system, BI-RADS)分类：3类表现为良性特征(边缘光整、椭圆形和平行位生长，后方回声增强，边界锐利)；恶性征象(形态不规则、非平行生长、声晕、边界不清、后方声影、微钙化、周边组织异常)大于3项，则为BI-RADS 5类；病变特征介于BI-RADS 3类与BI-RADS 5类之间者为BI-RADS 4类。BI-RADS 4类病灶分为4a、4b和4c，具备任意1项恶性征象者为BI-RADS 4a类，2项者为BI-RADS 4b类，3项者为BI-RADS 4c类。BI-RADS 4b类及以上为恶性。

S-detect软件自动输出良恶性判定报告。采用S-detect超声和常规超声进行联合诊断时，若二者分类结果不一致，则参照上述BI-RADS分类，S-detect诊断为良性而常规超声诊断为恶性(BI-RADS 4b类及以上)时，判定为恶性；S-detect诊断为恶性、常规超声诊断为良性时，如为BI-RADS 3类，则判定为良性，如BI-RADS 4a类，则判定为恶性。

以上检查及诊断均由2名超声医师(2年及8年工作经验)共同协商完成。

1.4 统计学分析 采用SPSS 16.0统计分析软件。以手术病理结果作为金标准，分别计算常规超声、S-detect技术和二者联合鉴别诊断乳腺小病灶良恶性的敏感度、特异度和准确率。采用MedCalc软件绘制常规超声、S-detect及二者联合鉴别诊断乳腺肿瘤的ROC曲线，计算AUC，并以Z检验比较不同检查方法AUC的差异。P<0.05为差异有统计学意义。

2 结果

于42例患者检出54个乳腺病灶，其中良性病灶30个(30/54，55.56%)，包括纤维瘤16个，乳腺增生10个，肉芽肿性乳腺炎3个，导管内乳头状瘤1个；恶性病灶24个(24/54，44.44%)，包括浸润性导管癌19个，导管内原位癌2个，浸润性小叶癌、黏液腺癌、髓样癌各1个。

与术后病理结果对照，常规超声正确诊断46个病灶(BI-RADS 3类24个，4a类3个，4b类6个，4c类7个，5类6个)，诊断准确率85.19%(46/54)；S-detect正确诊断41个病灶(恶性15个，良性26个)，诊断准确率75.93%(41/54，图1、2)；常规超声联合S-detect正确诊断51个病灶(恶性22个，良性29个)，诊断准确率94.44%(51/54，表1)。

ROC曲线结果显示，常规超声、S-detect及二者联合诊断乳腺病灶良恶性的AUC分别为0.846、0.746和0.942(P均<0.05，图3)。二者联合鉴别诊断乳腺病灶良恶性的AUC大于单独应用常规超声和S-detect技术，差异均有统计学意义(Z=1.998，P=0.046；Z=3.563，P<0.001)，而常规超声与S-detect间AUC差异无统计学意义(Z=1.688，P=0.092)。

表1 常规超声、S-detect及二者联合应用鉴别诊断良恶性乳腺小病灶的效能

图1 患者女，42岁，左侧乳腺病灶声像图，S-detect诊断为良性，病理证实为纤维瘤 图2 患者女，40岁，左侧乳腺病灶声像图，S-detect诊断为恶性，病理证实为浸润性导管癌

图3 常规超声、S-detect及二者联合应用鉴别诊断乳腺肿块良恶性的ROC曲线

3 讨论

超声与人工智能结合是数字医疗领域研究新热点之一。传统超声仪器受限于单机操作，无法满足海量诊断数据互通共享；而人工智能超声在深入了解超声医师核心需求的基础上，通过自身学习、思考、推理、规划等，有助于超声医师从所获数据中发现规律，提高检测效率，减少人为误判率，已逐渐成为超声医师的智脑和助手，具有广阔的应用前景[11-12]。

目前定性诊断乳腺小病灶、尤其是乳腺癌的早期诊断仍是临床难点[3]，提高乳腺小病灶的诊断效能具有重要意义。S-detect技术采用人工智能深度学习技术自动识别乳腺肿瘤的边界、形态等特征，为肿块BI-RADS分类提供参考。Gewefel[13]报道，S-detect技术鉴别诊断乳腺肿瘤良恶性的特异度可达100%，常规超声为89.2%，S-detect技术的敏感度为61.9%，常规超声则达到95.7%。有学者[4,14]对比观察S-detect技术与常规超声、弹性成像对乳腺良恶性肿块的鉴别诊断效能，发现S-detect技术具有较高的特异度、阳性预测值及准确率。姜海艳等[15]报道S-detect超声鉴别诊断乳腺良恶性病灶的效能较高，其敏感度为100%，特异度为90.5%，准确率为91.7%。虽然不同研究中S-detect技术诊断乳腺良恶性肿瘤的敏感度和特异度方面仍有一定差异，但均表明S-detect辅助超声诊断可有效提高乳腺肿瘤的诊断准确率，具有重要的临床应用价值。

本研究以最大径≤20 mm的乳腺小病灶为研究对象，采用ROC曲线评价S-detect技术的诊断效能，结果显示，S-detect技术的AUC值低于二者联合，而与常规超声无统计学差异；其对乳腺结节的诊断准确率低于常规超声，敏感度仅62.50%，特异度为86.67%。本组S-detect的阳性似然比为4.69，阴性似然比为0.43，提示单独应用S-detect技术的诊断效能尚不理想。其中1个乳腺炎病灶声像图表现边界不清，内部回声紊乱，S-detect误诊为恶性肿瘤，而常规超声结合病史予以排除；另1个最大径为7 mm的病灶，S-detect单独诊断为良性结节，常规超声表现为低回声结节，边界清晰，内见微小钙化，后方有声影，按照BI-RADS分类判定为BI-RADS 4b类，参照二者联合设定的诊断标准判断为恶性结节，最终病理证实为浸润性导管癌。本研究结果提示，对于鉴别诊断良恶性乳腺小病灶，单独应用S-detect技术只能作为一种补充手段。

本研究结果显示，常规超声与S-detect联合应用的AUC为0.942，大于单独应用S-detect及常规超声，差异均有统计学意义；S-detect联合常规超声鉴别诊断乳腺小病灶良恶性的阳性似然比为27.50，阴性似然比为0.09，提示S-detect技术联合常规超声可提高乳腺小病灶良恶性的诊断效能。二者联合应用的优势与下列因素有关：首先，利用S-detect技术可对图像进行随时反复阅读，以弥补临床经验不足的缺点，降低操作者依赖性，减少主观错误[4-5]；其次，常规超声通过多方位、多切面观察，可详细了解病灶内部情况及与周边组织的关系，提高对乳腺小肿块良恶性的识别率；此外，常规超声诊断过程中，还可通过询问病史，紧密结合临床，从而提高鉴别诊断能力[16-19]。

本研究的不足：样本量较小，未纳入非肿块型病灶等，统计结果存在部分偏差；S-detect诊断结果与操作医师的熟练程度以及仪器的分辨力有关，可能导致S-detect分析结果存在偏差。

综上所述，S-detect是一种新型人工智能技术，用以辅助超声诊断可进一步提高对≤2 cm乳腺良恶性肿块型病灶的诊断效能，减少主观因素的影响，具有重要临床应用价值。