RSNA2020 乳腺影像学

杨真露，李嫣，詹晨奥，胡益祺，霍敏，陈成洋，唐彩丽，覃艳金，艾涛，夏黎明

乳腺X线检查

1.数字乳腺X线摄影(Digital Mammograms，DM)

数字乳腺X线摄影是目前乳腺癌筛查的主要工具，繁重的工作量和腺体重叠带来的漏诊是影像医生面临的主要问题。今年RSNA关于数字乳腺X线摄影的研究仍聚焦于人工智能(artificial intelligence，AI)，通过大量多中心图像数据进行模型建立是一大亮点，这些人工智能模型旨在减轻影像医生工作量并提高筛查效能。

数字乳腺X线摄影筛查通常需要双重阅片，这是一种劳动密集型的方法。Sharma等使用AI算法代替第二个阅片者可以使81.9%的女性获得明确诊断，只有18.1%的病例需要额外的阅片者再次阅读，从而提供了一种可行的解决方案来应对乳腺X线摄影阅片中的劳动力危机。Ananthasivan等发现无论医生经验如何，AI/机器学习(ML)辅助报告系统都能减少放射科医生报告周转时间，提高其工作效率。而Strand等发现将AI算法与放射科医生联合阅片时，虽然可以检出更多癌症，但异常评估却成比例增加，未来研究要集中解决AI联合医生双重阅片时导致的异常评估增加。另一个减少工作量的策略是建立分诊模型，Rodriguez-Ruiz 等利用AI系统(Transpara version 1.6.0，ScreenPoint Medical)对筛查性乳腺X线摄影进行分诊筛选，低于AI评分阈值的病例只需要单次阅片，而高于阈值的需要双重阅片，这与传统的双重阅片相比，癌症检出率保持不变，而召回率降低且阳性预测值提高，从而可以减少工作量并提高筛查性能。Lamb等也训练了一种深度学习模型用于分诊乳腺筛查X线摄影，该模型可以显著减少工作量，通过调整假阴性率阈值，可以减少假阴性或假阳性结果，达到预期结果。

在预测乳腺癌风险方面，传统的预测模型主要是依据临床病史和腺体密度，Lamb等发现乳腺X线摄影包含了传统风险模型不能识别的高预测性标志物，他们利用大量乳腺X线摄影图像构建的深度学习(DL)模型可以明显提高乳腺癌的风险预测。Kim等利用200,000张数字乳腺X线图像训练了一种神经网络分类器GMIC，用于对乳腺筛查X线片做出恶性预测，结果发现该分类器对非致密乳房的预测效果优于对致密乳房，并且与放射科医生相似。减少间期癌发生率是乳腺癌筛查项目的重要目标，Mann等发现不论是作为独立阅片者或用作预选工具，AI肿瘤检测系统(Transpara，Screen Point Medical)都可以帮助确定哪些患者可以从额外的乳腺筛查影像学中受益，以降低间期癌的发生率。

乳腺癌筛查策略不仅要敏感地检出癌症，还需要正确地识别良恶性，减少不必要的活检。通常乳腺X线摄影上被评估为BI-RADS 4类的病灶大多数被建议活检，但是其中70%～80%的活检呈阴性。Liu等利用卷积神经网络模型VGG-16对乳腺X线摄片上评价为BI-RADS 4的病灶进行再分类，结果显示25%～35%的BI-RADS 4病灶可以避免不必要活检，同时“更高级别病灶”(非典型增生、导管原位癌和浸润性乳腺癌)的检出敏感度达到95%。Rodriguez-Ruiz等利用人工智能系统对乳腺X线摄影筛查召回的有可疑钙化的患者进行恶性可能性评分，如果仅对评分为10的病变进行活检时，只会漏掉一个低级别的导管原位癌，而良性活检的数量将减少23.1%。

此外，基于乳腺X线摄影的人工智能研究还探索了新的内容。Kim等应用3个国家5家医院的170230张乳腺X线摄影数据建立了一种检测乳腺癌的AI算法，该算法产生一个连续的AI异常评分，范围在0～1之间，对应于恶性肿瘤的概率，研究发现不同BI-RADS分类的AI异常评分有显著性差异，AI异常评分可作为乳腺X线摄影BI-RADS分类的独立生物标志物。乳腺腺体的致密程度影响乳腺X线摄片的阅片准确性，同时与乳腺癌的发生具有一定相关性。Lee等利用大量乳腺X线摄影数据开发了一种可评估乳腺致密程度的AI算法，在2D及合成2D乳腺X线摄影图像上评估乳腺密度时，该AI算法可以达到放射科医生的水平，有利于快速、准确地评估腺体密度。人工智能在筛查乳腺X线摄影技术中显示出巨大的前景，然而，在实际应用中，人工智能模型的性能在包括种族在内的各种重要因素上表现出了偏差。此外，黑人和白人妇女在乳腺X线摄影的筛查质量和乳腺癌统计方面也存在差异。然而根据Lotter等研究，发现AI模型在黑人和白人的乳房X线摄影图像中表现出相似的良恶性鉴别能力。

2.数字化乳腺断层成像(digital breast tomosynthesis，DBT)

部分研究显示筛查中纳入DBT可以减少召回率并提高癌症检出率。但该技术作为独立或者补充性筛查工具的价值仍需进一步研究。Pavic等研究显示与数字乳腺X线摄影(DM)相比，双视野的广角DBT以及广角DBT联合DM可以显著提高乳腺癌检出率和阅片者自信度，但是召回率没有变化，并且发现在双视野广角DBT上额外检出的乳腺癌大多数是伴有结构扭曲的小浸润性癌。一项荟萃分析显示与单独的2D乳腺X线摄影相比，联合DBT和2D乳腺X线摄影可以在筛查中检测到更多乳腺癌。另外，一项大型的随机对照实验发现利用DBT联合DM对50～69岁女性进行筛查时可以明显提高乳腺癌检出率，但是不能减少间期癌及后期癌症的发生。引进人工智能系统支持DBT阅片后，使得放射科医生可以更优化地分配阅片时间，进一步提高诊断敏感度。这些结果可能会增加DBT作为筛查工具的证据。

3.对比增强能谱乳腺X线成像(contrast-enhanced spectral mammogram，CESM)

研究证明CESM检测病灶的敏感度高于传统乳腺X线摄影，并且具有较高的特异性。乳腺密度评估是乳腺X线摄影诊断的重要组成部分，CESM采用的对比剂是否会对乳腺密度的评估造成影响，是研究关注的热点。Gennaro等研究显示非增强的乳腺X线摄影术和低能量CESM在乳房体积密度的评估上具有较高一致性。

不伴肿块的可疑微钙化定性是乳腺X线摄影诊断的难点。Gomaa等回顾性分析了510例乳腺X线摄影上没有肿块的可疑钙化病灶，发现CESM区分良恶性微钙化的敏感度、特异度、阴性预测值及阳性预测值分别为79.26%、100%、61.64%和100%；预测高级别导管原位癌的敏感度、特异度、符合率分别为98%、81.8%、93.1%；预测浸润性癌或高级别导管原位癌的敏感度、特异度、符合率分别为98.5%、81.8%和87.5%。CESM在评估可疑微钙化的分级和侵袭性方面具有重要的作用，存在非肿块样强化是高级别DCIS或侵袭性癌的征象，而无强化有助于诊断良性病变或非侵袭性/低级别导管原位癌。

此外，基于CESM图像的影像组学研究也提供新的思考。Wang等利用增强乳腺X线摄影(CEM)的高能量、低能量、双能量剪影图像提取到的影像组学特征分别构建乳腺良恶性疾病的鉴别模型，发现利用高能量图像或者所有CEM图像构建的模型可以达到最佳诊断效果，AUC分别为0.938和0.889。

乳腺超声

1.常规超声

超声(US)是一种常用的乳腺检查手段，不仅可以检测和诊断乳腺肿块，还能反映腋窝淋巴结浸润情况。Porembka等报道对于筛查性DBT召回的患者，单独使用US对非钙化病变进行诊断评估的假阴性率较低，因此可以避免行DM检查。Candelaria等研究了283例三阴性乳腺癌患者的超声图像形态学特征和淋巴结浸润的关系，发现超声显示肿瘤的形态和边界与淋巴结浸润程度相关。

2.腋窝超声

腋窝淋巴结浸润情况对于乳腺癌分期及治疗方案制定至关重要。Jin等研究显示对乳腺癌腋窝淋巴结受累评估时，淋巴结对比增强超声检查的敏感度为73.53%，符合率为73.15%，未受累的淋巴结通常表现为皮质强化，而无强化的肿大淋巴结是受累的重要特征。Pinker-Domenig等利用淋巴超声(Lymphosonography)识别前哨淋巴结，与放射性示踪剂和参考标准(蓝色染料)相比，淋巴超声在识别乳腺癌患者前哨淋巴结方面具有更高的准确性。

3.剪切波弹性成像(shear wave elastography，SWE)

利用SWE评估乳腺组织或病灶硬度有潜力用于预测患者预后和治疗应答。Kim等发现SWE测量得到的高硬度值与T1-2期乳腺癌患者较差的无病生存率有关。Grover等发现SWE的参数Emean预测局部进展期乳腺癌新辅助化疗后病理反应的敏感度和特异度分别为90.9%和75%，优于普通超声的预测敏感度和特异度(分别为72.7%和62.5%)，这有助于为患者制定个体化治疗方案。根据最新治疗指南，对于肿瘤DX复发评分(ODX RS)大于16(≥50岁)或大于26(50岁)的早期乳腺癌患者，单纯化疗和内分泌治疗几乎没有益处。Youk等开发和验证了基于SWE的诺模图，可以预测ODX RS并指导辅助性全身治疗决策。

4.自动化乳腺超声(automated breast ultrasound，ABUS)

ABUS可以减少传统超声检查对操作人员的依赖性，但是ABUS对乳腺组织的显示常伴有严重阴影，使得图像分析的难度增加，降低了特异度。Allajbeu等发现在普通超声上评为非均质性腺体及在乳腺X线摄影上评为BI-RADS C级的乳腺类型，在ABUS上更容易出现中度或者重度的背景实质阴影，这会提升检查的假阳性率。Suzuki等比较了114例患者的3D ABUS冠状面以及横轴面扫描对乳腺肿块探测的准确性以及读取时间，结果发现3D ABUS冠状面与常规横轴面相比，乳腺肿块显示的准确性相同，但有效缩短了读取时间。

5.超声新技术

常规超声在检测微钙化方面具有很大局限性。Kim等介绍了一种使用彩色多普勒(CD)闪烁伪影(CDTA)的超声新技术，并评估了其检测乳腺癌微钙化的可行性，结果提示乳腺微钙化在CDUS上产生可识别的CDTA信号，对乳腺癌微钙化的检测效果好，中位检出率为96.7%。

Reis等探讨了一种新型的无创定量超声标记-乳腺异质性指数(HI)在超声上预测乳腺肿块良恶性方面的应用，结果显示HI能够预测乳腺良恶性病变，并与肿瘤侵袭性的临床指标Nottingham评分呈正相关。

6.人工智能

使用全监督方式训练DL模型时需要注解兴趣区ROI，这样耗时耗力且有偏见。Kim等基于超声图像开发了一种弱监督DL模型用于自动检测乳腺肿块并进行良恶性分类，结果显示弱监督模型在内部和外部验证集中的诊断性能与全监督模型的性能没有明显差异，提示这种相对省力的弱监督DL模型在乳腺癌的超声诊断中是可行的，且具有良好的鉴别诊断能力。

乳腺磁共振成像(MRI)

乳腺MRI具有优秀的软组织分辨率和丰富的成像序列，包括常规T1、T2加权成像、弥散加权成像(DWI)及动态增强MRI(DCE-MRI)等，不仅可以提供解剖学特征，还可以反映病灶的功能学改变。因此乳腺MRI在乳腺癌检出、随访、术前确定肿瘤范围、预测预后和治疗应答方面都具有重要价值。

术前MRI可以检出其他成像方式未检出的癌症、确定癌灶范围并预测预后。Park等发现年轻乳腺癌患者的术前MRI检查可以检出额外的恶性病灶，并通过显著降低重复手术率和阳性切缘率来改善手术结局。一项大型多中心临床研究也显示术前MRI显示的导管原位癌范围比乳腺X线摄影显示的更大，并且可以额外检出癌症。Jung等发现术前MRI显示乳腺癌病灶大于5cm和瘤周水肿是预测年轻乳腺癌患者术后复发的独立因子。由于MRI检测的高敏感性，临床上有部分乳腺癌仅在MRI上被检出，对于这部分癌症的特征需要进一步评估。Malmierca等发现就病理学、免疫组织化结果和病灶大小而言，仅MRI检出的乳腺癌与常规技术(DM，DBT，US)检出的乳腺癌没有区别，并且未提高乳房切除术的比率，因此，不应将仅MRI检出的乳腺癌视为过度诊断。

DCE-MRI检测病灶的敏感性高，但是特异性相对较低。Mann等发现超快DCE-MRI的加入可以显著提高常规DCE-MRI诊断乳腺癌的特异性，而敏感性保持不变，超快成像衍生的参数增强时间(TTE)比传统的时间信号强度曲线(TIC)具有更高的诊断准确性。虽然DCE-MRI具有重要的诊断价值，但是钆对比剂(GBCA)的安全性也需要重视。BI-RADS 3类病灶通常需要定期随访，重复使用钆对比剂可能会让患者有所顾虑，需要开发非增强的乳腺MRI技术用于随访。Eskreis-Winkler等发现在BI-RADS 3类病灶的6个月随访中，乳腺T2加权图像显示的病灶大小变化和BI-RADS分类与DCE-MRI显示结果具有极好的一致性，这表明在部分随访病例中可以避免使用GBCA。DWI也是一种无需对比剂的成像手段，其反映水分子扩散情况。Lee等发现在诊断无症状女性早期乳腺癌时，无论病灶大小，组织病理学和分子亚型如何，DWI的检测能力均优于乳腺X线摄影。

确定乳腺癌分子分型对于选择合适的治疗方案至关重要。Kim等在DCE-MRI和ADC图上测量乳腺癌瘤内异质性，发现在不同的乳腺癌分子亚型中，这些动力学异质性和ADC异质性指数具有显著差异，提示这些异质性参数可以无创地反映乳腺癌的分子亚型，有利于指导和监测治疗。人工智能算法有望进一步挖掘图像特征与分子亚型的关系。Zhang等发现与传统的卷积神经网络网络(CNN)相比，使用CLSTM的循环网络可以追踪DCE采集期间信号强度的变化，在预测乳腺癌ER、PR、HER-2亚型中表现出更高的准确性。

乳腺癌新辅助化疗患者的完全病理应答与较长的无复发生存期相关。早期预测新辅助化疗应答情况有利于制定合适的化疗方案，及时调整方案，挑选出真正受益的患者，避免无效化疗带来的副作用。Ko等报道了一种新的图像指标用于预测新辅助化疗效果，基于治疗前MRI获得脂肪-肿瘤界面值，发现较高的脂肪-肿瘤界面值与较差的治疗应答相关，在肥胖患者、HER-2阳性患者和肿瘤体积较大的患者中这种相关性更高。异质性高的肿瘤通常较难获得持久应答，而瘤内灌注异质性是肿瘤异质性的主要驱动力。Niell等报道乳腺DCE-MRI的肿瘤内灌注异质性可预测新辅助化疗病理性完全应答(pCR)，预测符合率达到83%。影像组学特征是影像医生肉眼无法评估的图像特征，有望增加诊断价值。Chitalia等发现联合乳腺癌新辅助化疗后早期的影像组学特征变化和分子分型信息可以提高对新辅助化疗后无复发生存率的预测。Musall等发现新辅助治疗第2周期和第4周期后的ADC图瘤周区域的影像组学特征对三阴性乳腺癌的病理完全应答有很高的预测价值。新辅助治疗第2周期后的瘤周含脂肪区域的9个特征构建的模型性能最佳，在测试集的预测AUC达到0.70。