人工智能对乳腺影像辅助诊断的研究进展

王惠，杨新武，陈飞，朱孔强，李玄博，余晶，郭顺林,3*

1.兰州大学第一临床医学院，甘肃 兰州 730000；2.兰州大学第一医院超声科，甘肃 兰州 730000；3.兰州大学第一医院放射科，甘肃 兰州 730000；4.北京工业大学计算机学院信息学部，北京 100124；*通信作者 郭顺林 guoshl2021@163.com

人工智能和医学影像结合是精准医学发展的必然[1]。乳腺癌是医学影像人工智能辅助研究较多的领域[2]。从计算机辅助检测系统应用于乳腺X线检查开始，医学影像学正从一个依靠器官感知的技能领域转变为一个更加准确、客观、高效的图像分析学科。

审核大量影像数据已成为影像医师面临的重大挑战，而人工智能是提升工作效率的首选方法[3]。同时，面对一系列临床问题，人工智能能够定量分析医学影像大数据，实现临床辅助决策。人工智能包括机器学习和深度学习两种方法。传统机器学习包括特征提取和分类两个步骤，深度学习主要采用网络模型提取特征，并利用传统机器学习进行分类。机器学习工作流程包括：①图像采集；②图像标准化；③图像分割和感兴趣区标记；④特征提取、选择；⑤构建模型。机器学习通常采用随机森林、递归消除、χ2检验进行特征选择，并利用支持向量机、Logistic回归、XGBoost构建分类器。近来，深度学习在医学领域大放异彩，其性能远超传统机器学习。深度学习通过优化算法教会模型识别图像模式，其中卷积神经网络是应用最多的网络模块。本文回顾人工智能辅助乳腺影像的临床研究，分析其面临的挑战及应对策略。

1 乳腺X线人工智能辅助检查

乳腺X线是乳腺癌筛查的首选影像学检查之一，但对亚洲女性致密型乳腺的敏感度较低[4]，漏诊率和假阳性率较高。因此，乳腺X线人工智能辅助检查主要用于提高乳腺癌的检测准确度[5]。此外，还可通过评估乳腺密度，进行癌症风险分层[6]。

关于提升乳腺癌的检测准确度，Qu等[7]比较多种深度学习模型性能，发现部分甚至超过影像专家水平。WU等[8]也证实了人工智能辅助影像医师可显著提升乳腺癌的检测能力。不同于单中心回顾性研究，KIM等[9]开展了一项基于乳腺X线的国际研究，结果显示人工智能模型在肿瘤探测、不对称和扭曲结构识别方面均优于影像医师。此外，另一项国际研究也认为人工智能辅助乳腺X线检查还能安全有效减少影像医师70%～80%的工作量[10]。这些研究成果充分展示人工智能技术对乳腺X线诊断价值的显著提升。另外，致密型乳腺是乳腺癌的独立危险因素。目前，对乳腺分型尚依赖于影像医师的主观判断。对比人工智能对乳腺密度的定量评估与影像医师的定性判断，发现人工智能的可靠性明显高于后者[11-12]。因此，乳腺X线人工智能辅助检测可为乳腺癌风险预测提供客观、定量的指标。

2 乳腺超声人工智能辅助检查

超声检查对乳腺癌有较高的敏感度。因此，乳腺超声人工智能辅助检查的主要价值在于提升乳腺病灶鉴别诊断准确度。此外，人工智能辅助预测腋窝淋巴结转移的价值也不可忽视[13]。

运用人工智能技术，侯银等[14]构建乳腺超声图像的机器学习模型，鉴别乳腺恶性病灶的曲线下面积（AUC）和准确度分别达到0.931、0.901。也有研究[15]发现乳腺癌边缘分叶较多，熵值更低，乳腺良性病灶内部钙化较多，病灶长轴与皮肤角度更大。一项人工智能和影像医师的对比研究证实深度学习模型能够提升影像医师操作及诊断的组内和组间一致性[16]。以上研究说明人工智能能够增强乳腺超声检查的标准化程度，从而提升诊断准确性和可重复性。

与常规超声相比，自动乳腺容积扫查（automated breast volume scan，ABVS）提供了大视野、多平面、三维成像，标准化的图像采集流程降低了对影像医师经验的依赖。Wang等[17]提取乳腺病灶ABVS横断面和冠状面特征，比较多种机器学习模型对乳腺病灶分类性能，最优模型AUC、敏感度和准确度分别为0.857、0.879、0.807。Wang等[18]提取ABVS的横断面、矢状面和冠状面图像特征，利用迁移学习模型对乳腺良、恶性病灶鉴别诊断，其AUC、敏感度和特异度分别为0.9468、0.886、0.876。由此可见，ABVS是人工智能辅助乳腺影像的良好超声模态，人工智能辅助ABVS是乳腺影像今后发展的一个重要方向，具有巨大发展潜力和空间。

超声弹性作为常规超声的辅助诊断，在与人工智能结合后，也能更好地发挥对乳腺癌患者的临床诊断价值。Qiu等[19]基于腋窝淋巴结灰阶及硬度特征预测腋窝淋巴结转移的AUC和准确度分别为0.895、0.845，证实人工智能与超声新技术联合，能进一步提升辅助诊断准确度。

3 MRI人工智能辅助检查

MRI检查对乳腺癌有良好的诊断敏感度，并可作为评估乳腺癌的影像学标志物。因此，乳腺MRI是人工智能辅助研究最为广泛和深入的乳腺影像模态[20]。同时，MRI在乳腺病灶测量方面优于乳腺X线和超声检查[21]，在乳腺癌筛查、分子分型预测和新辅助化疗（neoadjuvant chemotherapy，NAC）疗效及预后评估中有更广阔的应用前景。

人工智能在提升乳腺MRI诊断性能方面具有重要价值。将人工智能乳腺分类系统应用于多参数MRI检查，最高AUC达到0.852，并且能提高诊断特异度[22]。利用4D影像组学模型对乳腺MRI图像进行分类，可以提升分类准确度，并且减少不必要的活检穿刺[23]。由此可见，人工智能辅助MRI有助于挖掘MRI对乳腺病灶的潜在诊断价值。

预测乳腺癌分子分型是人工智能辅助MRI的一项重要临床应用。李薇等[24]报道动态增强MRI影像组学特征可以精确预测乳腺癌激素受体状态和分子分型。虽然人工智能辅助MRI不能替代有创的活检穿刺，但人工智能依据整个肿瘤的影像组学特征预测分子分型，较穿刺活检具有更高的预测价值。因此，人工智能辅助MRI能为乳腺癌基因靶向治疗提供术前无创预测工具。

人工智能辅助MRI可在疾病早期或治疗前预测NAC疗效[25]，有助于避免NAC后病理完全缓解患者进行不必要的手术，或提示治疗无效患者及时手术，减少NAC的潜在毒性作用。Bitencourt等[26]联合机器学习与临床因素评估人表皮生长因子受体-2过表达型乳腺癌NAC后反应，预测病理完全缓解准确性达0.839。该研究为乳腺癌患者个体化、精准医疗提供及时、准确的影像学依据，科学指导临床决策。

乳腺癌预后是人工智能辅助乳腺MRI的另一关键临床研究。目前，复发基因评分是评估乳腺癌复发的“金标准”，但费用高、有创性限制了其临床应用。将动态增强MRI特征与Curebest95基因关联，能准确预测雌激素受体阳性乳腺癌的复发风险[27]。该研究为乳腺癌患者的术后监测和随访提供准确、可靠的影像组学预测模型。

4 小结与展望

人工智能辅助乳腺影像技术尚需进一步发展和完善。目前，在临床工作中实施人工智能技术的主要困难是缺乏标准化影像检查方案和大样本数据集。此外，不同仪器生产商的图像存在差异。并且乳腺影像缺乏一个标准化的图像分割（二维和三维）、特征提取及选择和分类方法。未来可通过批处理方法对影像特征进行统一化，以构建来源于不同地区、不同国家、不同人种的乳腺癌数据库。同时，加快人工智能辅助乳腺影像研究的质量评分制订，从研究设计、成像方案、统计分析、图像质量评估和标准化操作流程环节进行质控。同时应进行多中心、大数据研究，有助于按人群或肿瘤类型进行亚类分析，并且有利于模型的独立测试，从而推动人工智能辅助乳腺影像技术从理论到临床实践的转化应用。