基于深度学习技术对三阴性乳腺癌的多模态影像学研究

蔡振德 马 捷 罗 慧

1.广东省汕头大学医学院(广东 汕头 515000)

2.广东省深圳市人民医院放射科(广东 深圳 518020)

3.广东省深圳市人民医院超声科(广东 深圳 518020)

乳腺癌是我国女性中发病率最高的恶性肿瘤[1]。三阴性乳腺癌(triple-negative breast carcinoma,TNBC)是一种细胞表面雌激素受体、孕激素受体及表皮生长因子受体2表达均为阴性的特殊类型乳腺癌，在乳腺癌中约占15%-20%[2]。它具有侵袭性强，远处转移发生较早，复发率较高等特点[3-4]；内分泌治疗和药物靶向治疗效果不佳，预后不良[5-6]。但TNBC 对新辅助化疗敏感性较好，早期诊断对治疗方案的选择有重要作用，有利于患者的预后康复[7,8]。

数字乳腺X线摄影(data mammography，DM)、超声(Ultrasound，US)、动态增强MRI(dynamic contrast-enhanced MRI，DCE-MRI)是早期诊断乳腺癌的几种常见检查方法[9]。由于TNBC缺乏恶性肿瘤的典型影像表现[5]，传统影像学检查，尤其是DM检查，对TNBC诊断效能不高，导致漏诊，耽误患者治疗。

本研究旨在探讨人工智能(artificial intelligence，AI)辅助诊断系统(以下简称AI)在DM对TNBC诊断中的作用，并对比研究乳腺DM(AI)、DM(医师)、DM(AI+医师)、US及DCE-MRI诊断对TNBC的诊断效能。

1 资料与方法

1.1 一般资料回顾2014年4月至2022年1月在深圳市人民医院诊治乳腺疾病并接受手术治疗的患者中，收集TNBC42例，年龄为51.5±9.2岁；乳腺良性病变68例，年龄44.3±8.9岁；所有病例合计110例，均为女性，共110个病灶。另收集术前完成乳腺DM、US和DCE-MRI检查的

纳入标准：所有病灶均在病灶穿刺术或切除术前完成乳腺DM、US和DCE-MRI检查；其中DM片拍摄体位包括乳腺头足位(cranio-caudal view，CC)、内外斜位(mediolateral oblique，MLO)；影像检查前无乳腺手术、放射治疗和化学治疗等病史。所有病灶均有组织病理结果。排除标准：良性病例中，术后半年内同侧乳腺新发现乳腺癌者；图像质量欠佳，影响诊断。

1.2 设备与检查方法

1.2.1 乳腺X射线检查 采用美国GE公司的DMRPLUS乳腺X射线机，常规拍摄CC位及MLO位。

1.2.2 超声检查 采用飞利浦IU22 彩色超声诊断仪，高频线阵探头，频率5-12MHz，仰卧位，双手高举过头，以充分暴露双乳及腋窝。分别对乳腺4个象限、乳晕及腋窝进行多切面扫查。

1.2.3 增强磁共振扫描 采用西门子kyra3.0T超导核磁共振扫描仪，使用4通道乳腺专用测定线圈，取俯卧位。进行平扫及动态增强扫描。增强扫描，静脉注射对比剂钆喷酸葡胺0.2mmol/kg。

1.2.4 乳腺X射线人工智能辅助诊断系统(AI) 本研究采用由平安科技公司研发的乳腺X线摄影人工智能辅助诊断系统。将110例患者双侧乳腺DM图像以标准协议的Dicom格式作为输入工作站，AI通过系统中的Ipsilateral Branch(同侧双机位模型)、BiLateral Branch(双侧同机位模型)，结合乳腺的对称性，找出图像上的可疑病灶区域，并标记病变部位、范围；同时提取该病灶特征，根据该诊断模型在深度学习(deep learning，DL)训练时提取病变的病灶特征，系统做出评分，结合一定的阈值，系统最终会输出一个影像报告及数据系统(breast imaging report and data system，BI-RADS)诊断分类，见图1。

图1 乳腺X线摄影人工智能辅助诊断系统算法结构图

1.3 图像的诊断及分组回顾性分析68例良性病例及42例TNBC共110个病例的影像资料，DM、MRI、US资料分别由1名高年资放射医师A或超声医师B(乳腺影像诊断工作5年以上，中级以上职称)审阅，参考美国放射学会(American college of radiology，ACR)2013年第5版BI-RADS标准出具诊断报告。同时所有病例乳腺CC位及MLO位DM图像上传至乳腺X射线影像辅助诊断系统(AI)，AI软件独立作出诊断后，在图像上标记病变部位及BI-RADS分级。四周后把脱敏的原始DM图像及AI诊断标记后的DM图像再次交给放射医师A审阅、诊断。所有医师在诊断前均不知组织病理结果。

共得出五组诊断结果。在影像诊断结果中，BI-RADS分类1-3类，作为良性的诊断，判定为阴性；BI-RADS分类4A-6类作为恶性的诊断(即TNBC)，判定为阳性。

所有病例以组织病理检查结果为“金标准”，结果为TNBC者，判定为阳性；病理结果为良性病变者，判定为阴性。

1.4 统计分析采用SPSS 19.0软件，以组织病理检查结果为金标准，分析比较各种影像诊断方法(DM(AI)诊断、DM(医师)诊断、DM(AI+医师)、US医师诊断、DCE-MRI医师诊断)对TNBC诊断的受试者工作特征曲线(receiver operating characteristic curve,ROC曲线)和ROC曲线下的面积(area under ROC curve，AUC)、灵敏度、特异度、阳性预测值、阴性预测值等；比较各种诊断方法的诊断一致性采用Kappa检验及配对卡方检验。

Kappa检验的一致性判断：1、kappa≥0.75，可以认为一致性较好；2、0.4

2 结 果

2.1 病理结果110例患者110个病灶所有病灶病理类型见表1。

表1 组织病理结果

2.2 诊断效能乳腺DM(AI诊断组、医师诊断组、AI+医师诊断组)及US、DCE-MRI的影像诊断结果及病理诊断结果按照BI-RADS分级判定阳性与阴性后，它们各自判定病例的阳性及阴性例数详见表2。此研究中各诊断方法在的灵敏度、特异度、阴性预测值和阳性预测值见表2。

表2 各种影像诊断方法的诊断结果

五组影像学诊断方法的ROC曲线及曲线下面积见表3及图2；五组影像学诊断方法的P值小于0.05，说明这几种诊断方法都是有效的，其中AUC值最高的是DM(AI+医师)诊断方法。病理结果为“金标准”，五组诊断方法的诊断结果与病理一致性检验结果见表4。

图2 ROC曲线

表3 ROC曲线下的面积

表4 以组织病理学为“金标准”，各种诊断方法的诊断效能评估

3 讨 论

DM是乳腺癌筛查的最重要影像检查方法之一。本研究中，DM(医师)在TNBC诊断中的灵敏度、特异度都相对较低。由于本组病例为亚洲人种，以致密型乳腺为主[10]，DM虽然对乳腺病灶微小钙化具有出色的检出能力，但由于DM检查受致密腺体影像较大，常因乳腺腺体重叠导致病灶漏诊，或把重叠的腺体或伪影误诊为阳性病灶，导致敏感度和特异度降低[11]。然而腺体致密的乳腺患乳腺癌的风险更高[12]，所以致密的乳腺更不容忽视。随着以DL为代表的AI技术在乳腺影像诊断中的发展，AI在DM图像识别的准确率得到了有效提升[13]。有研究表明AI对于医师更关注的BI-RADS 3类及以上病灶具有较高敏感度[14]，可以有效辅助影像科医师提升工作效率，并减少漏诊[15]。在此研究中，DM(医师)联合AI后，其对TNBC诊断的灵敏度、特异度都有了明显的提升，其AUC值由0.654提高至0.770，甚至略高于磁共振AUC值0.721；这说明在此研究中，AI确实可以有效提升DM(医师)对TNBC的诊断效能。在研究中AI能较好地检测出DM图像中的可疑病灶，能够有效提高医师对病灶识别的稳定性[9]，可以有效地提高医师诊断的灵敏度和特异度[16]。

本组资料中DCE-MRI与US对TNBC诊断有很好的灵敏度，分别为100%、92.86%，这反映出它们对TNBC的漏诊比较少，对乳腺疾病诊断有较高的价值，这是由于它们能够不受乳腺密度的干扰，特别是MRI对软组织成像良好，更利于病变形态判断，可从组织成分、形态特点、血液动力学等方面对病灶进行多方面分析[17]；然而在此研究中，它们的诊断特异度都比较低，假阳性的病例不少，导致其对TNBC综合诊断效能不高。笔者认为造成这个结果的原因有两个，一是US及DCE-MRI对于细微病变，特别是在致密型乳腺中，比乳腺DM诊断对病变的识别率更高，更容易发现非钙化病变中的良恶性难辨的细微异常，如导管异常、血流情况等(见图3)，这常会使医师出于谨慎而过高地评估病灶的分类，使其在良性病例中的误诊率高于DM组。二是本研究收集的所有病例均要求有病理结果，而这常需要至少一种影像检查提示恶性可能，才会进行有创的穿刺等操作获取病理结果，而敏感度更高US及DCE-MRI更容易出现假阳性，这导致所收集病例数据有所偏倚。

本研究显示，在良性病变与TNBC的病例组合中，几种诊断方法中DM(医师)检查是与病理一致性的Kappa值最低的，Kappa值仅0.291，诊断能力较差；而被认为对乳腺病变诊断效能较出色的US、DCE-MRI检查在本研究中的诊断效能都不高，Kappa值均小于0.4，与病理一致性的较差。原因在于其诊断敏感度较高，在良性病例中假阳性也较高。而DM(医师)在联合了AI之后，Kappa值提高至0.509，与病理的一致性提升至中等，对区分TNBC与良性病变有一定的诊断能力；其诊断效能明显高于其它几种方法。笔者认为，这得益于AI能够稳定、快速找到可疑病灶并输出初步评级。这一方面能够让医师减少漏诊病灶；另一方面，AI评级的高低，提醒医师更多关注高危病灶，从而提高医师的诊断准确度。

本研究中乳腺DM(医师)联合AI后，在良性病变与TNBC的病例组合中对TNBC的诊断效能得到有效提高，综合诊断效能甚至可以略优于高昂的磁共振检查。因此，在乳腺DM检查诊断中应用AI辅助诊断，有利于提高放射科医师对TNBC的诊断准确度，适合在临床中推广应用。