基于深度学习的乳腺X线摄影钙化检测系统对乳腺可疑钙化的检出效能

王小琦，刘 鹏，陈 赜，张番栋

(1.甘肃省肿瘤医院放射科，甘肃 兰州 730050；2.深睿人工智能研究院，北京 100080)

微小钙化是早期乳腺癌的重要甚至唯一征象[1]。乳腺X线片对于钙化敏感度很高，是早期发现和诊断乳腺癌的重要手段。根据中华医学会放射学分会《乳腺X线摄影检查和诊断共识》[2]和美国放射学院2013年第5版BI-RADS标准[3]，可从形态和分布两个维度来描述可疑恶性钙化，形态主要分为无定形模糊钙化、粗糙不均质钙化、细小多形性钙化和线样或线样分支钙化4种，分布包括区域性、团簇状、线样及段样分布。由于阅片过程中的视觉疲劳、注意力集中度下降等主观因素，影像科医师易遗漏直径较小(如团簇分布，直径≤2 cm)、密度较低(如无定形模糊形态)的可疑钙化。本研究对比基于深度学习(deep learning， DL)的乳腺X线摄影钙化检测系统(简称DL系统)与影像医师对不同类型可疑钙化的检出敏感度，探讨DL系统辅助影像医师减少漏检的应用价值。

1 资料与方法

1.1 一般材料 回顾性性分析2011年11月—2015年6月932例于甘肃省肿瘤医院放射科接受乳腺常规X线检查的女性患者，共3 728幅乳腺X线片，其中头足位(cranio-caudal view， CC)、内外斜位(medio-lateral oblique， MLO)各1 864幅；患者年龄17～74岁，平均(50.2±9.6)岁。纳入标准：①影像学检查方法符合2016年中华医学会制定的《乳腺影像检查方法专家共识》[4]；②采集影像前未做过乳腺手术、穿刺等。排除标准：①影像采集条件不达标；②缺失CC或MLO片。

1.2 图像获取与处理 采用Siemens Mammomat Inspiration数字乳腺机摄片。先由低年资医师A和B(工作年限均不足10年)以盲法独立阅片，勾画可疑钙化范围轮廓，如果1个病灶中包含多种可疑形态钙化，则记录阳性预测值(positive predict value, PPV)最高者。同步采用DL系统自动检出钙化，利用多边形轮廓标记钙化。之后由高年资医师C(15年以上乳腺X线诊断经验)，对医师A、B及DL系统的结果进行复阅，将所得记为最终结果，并参照文献[3]记录其BI-RADS类别、分布及形态。

1.3 统计学分析 采用Python 2.7.10统计分析软件。以χ2检验对比DL系统与医师A、B的检出敏感度。采用双向表χ2检验对比可疑钙化的不同BI-RADS分类、分布、形态等对于DL系统与医师A、B敏感度的影响。P<0.05为差异有统计意义。

2 结果

932例中，共标记可疑钙化274个(CC 片140个，MLO 片134个)，见表1。DL系统共检出7 684个钙化，其中可疑恶性钙化273个(273/7 684，3.55%)，典型良性钙化5 884个(5 884/7 684，76.57%)，假阳性1 527个(1 527/7 684，19.87%)；DL系统对可疑恶性钙化的检出敏感度为99.64%(273/274)，漏检病例见图1。医师A共检出可疑钙化210个，敏感度76.64%(210/274)；医师B共检出可疑钙化225个，敏感度82.12%(225/274)。DL系统检出但医师漏检的可疑钙化形态见图2。DL系统敏感度高于医师A(χ2=67.146 8，P<0.000 1)及医师B(χ2=48.645 3，P<0.000 1)。

图1 患者女，51岁，DL系统漏检团簇分布无定形钙化，BI-RADS 4b类

不同BI-RADS分类钙化的检出结果见表2。对于BI-RADS 4a、4b、4c和5类钙化，DL系统均有较高敏感度，除漏检1例BI-RADS 4b类病灶外，对其余分类的敏感度均为100%。结合双向表χ2检验分析，BI-RADS分类对于DL系统检出敏感度无显著影响(χ2=0.558 8,P=0.905 8)，而对医师有所影响(医师A：χ2=9.989 9，P=0.018 7；医师B：χ2=14.663 1，P=0.002 1)。

不同可疑形态钙化的检出结果见表3。DL系统除漏检1例无定形模糊钙化之外，对粗糙不均质、细小多形性和细线或细线分支样等3种形态的敏感度均为100%。医师A和B对于细小多形性和细线或细线分枝样钙化检出敏感度均>85%，但对无定形模糊钙化的检出率(60.83%，64.17%)显著低于其他3种形态(医师A：χ2=28.256 7，P<0.000 1；医师B：χ2=44.696 0，P<0.000 1)。结合双向表χ2检验分析，钙化形态对于DL系统检出敏感度无显著影响(χ2=1.287 9,P=0.732 0)，而对医师有所影响(医师A：χ2=30.180 4，P<0.0001；医师B：χ2=48.046 2，P<0.000 1)。

对不同分布钙化检出结果对比见表4。DL系统除漏检1例团簇分布钙化之外，对其余区域、线样和段样等3种分布的钙化敏感度均为100%。医师A和B对于段样分布的钙化检出敏感度均>90%，对区域分布的钙化检出敏感度均>85%，而对团簇样的检出敏感度均<75%，显著低于其余分布(医师A：χ2=7.776 7，P=0.005 3；医师B：χ2=8.145 2，P=0.004 3)。结合双向表χ2检验分析，钙化分布对于DL系统检出敏感度无显著影响(χ2=1.387 6,P=0.708 5)，而对医师有所影响(医师A：χ2=21.2768，P=0.000 1；医师B：χ2=11.4410，P=0.009 6)。

表1 高年资医师检出钙化数量统计

表2 不同BI-RADS可疑钙化检出比较[个(%)]

表3 不同形态可疑钙化检出对比[个(%)]

3 讨论

国内外均已针对AI检出乳腺X线摄影片中的可疑恶性钙化展开研究。有学者基于矩形滤波器、高斯差分滤波器、小波变换等[5-6]自动提取微钙化点，但仅能检测单个钙化点，缺乏对于成簇可疑钙化的分析；也有学者基于DL的卷积神经网络自动检测可疑钙化[7-8]，但敏感度均不到90%，临床意义有限。既往对现有基于人工智能技术的钙化检测系统研究[9-11]检出可疑钙化的敏感度在86%～98%，临床医师(尤其是年资较低的医师)在人工智能检测辅助下检出可疑钙化的敏感度有显著提升[12-13]，但上述研究病例数量有限，且均缺乏对于不同BI-RADS分类、钙化形态与分布的深入分析。BI-RADS分类反映医师对于钙化恶性概率的评估，而钙化形态和分布也对应不同的阳性预测值，漏诊不同类型钙化的风险也不尽相同，而完善的辅助系统应可稳定检出各种类型钙化。

本研究观察DL系统对可疑钙化检出的敏感度与稳定性，并与2名独立盲法阅片的低年资医师进行比较，着重对比分析DL系统检出不同BI-RADS分类、形态与分布的可疑钙化的敏感度，发现DL系统对于检出可疑钙化敏感度较高，显著高于2名低年资医师，274例可疑钙化中，DL系统仅漏检1例团簇分布的无定形钙化，其密度很低，有一定检测难度，且2名低年资医师亦均未能检出，由高年资医师在复阅时发现。本组2名低年资医师对于不同BI-RADS分类、形态、分布可疑钙化的检出敏感度差异有统计学意义，对BI-RADS 4b类的钙化敏感度明显低于其他类别。从形态上分析，医师漏检者主要为密度较低的无定形钙化；从分布上看，医师对线样分布、直径较小的团簇样钙化漏检相对更多，原因主要是这些钙化易受腺体等的干扰，受医师精力有限、视觉疲劳、注意力集中度下降等主观因素影响而漏检。DL系统检出可疑钙化灶则不受BI-RADS分类、形态及分布的影响，故可作为辅助，有效提升医师检出可疑钙化的敏感度。

图2医师漏检可疑钙化病例 A.患者女，61岁，团簇分布无定形钙化，BI-RADS 4b类； B.患者女，40岁，团簇分布无定形钙化，BI-RADS 4b类； C.患者女，58岁，团簇分布无定形钙化，BI-RADS 4b类； D.患者女，39岁，团簇分布细小多形性钙化，BI-RADS 4b类； E.患者女，44岁，区域分布无定形钙化，BI-RADS 4b类； F.患者女，55岁，线样分布无定形钙化，BI-RADS 4c类

表4 不同分布可疑钙化检出对比[个(%)]

本研究的主要局限性首先在于缺乏钙化的病理金标准或随访信息；其次，部分形态和分布的钙化数量较少。需继续扩大样本量完善研究。

综上所述，基于DL的乳腺X线钙化检出系统对可疑形态钙化的检出敏感度高且稳定性强，有望辅助临床医师减少漏检。