基于深度学习的乳腺X线摄影病灶检出系统的临床价值

哈婷婷，潘 俊，王洪光，张 滨

(北京大学首钢医院影像科，北京 100144)

乳腺癌是女性发病率、死亡率均最高的癌症[1]。乳腺X线摄影是检测乳腺疾病的重要影像学手段。近年来，以深度学习(deep learning， DL)为代表的人工智能(artificial intelligence， AI)技术发展极大提升了图像识别的准确率[2]，可有效辅助影像科医师提升工作效率，并减少漏诊[3-4]。本研究与临床报告对比分析基于DL的乳腺X线影像检出系统的临床应用价值。

1 资料与方法

1.1 研究对象 回顾性分析2015年1月—2019年1月于我院接受常规乳腺X线检查的484例女性患者，年龄36～84岁，平均(55.3±9.7)岁。纳入标准：①摄片质量合格，包括完整的双乳头足位(cranio-caudal view，CC)和内外斜位(medio-lateral oblique，MLO)乳腺X线影像和诊断报告；②摄片前无乳腺活检、手术、放射治疗和化学治疗等病史。排除标准：①摄片质量不佳或投照位缺失；②触诊或其他影像学检查显示阳性，但X线片中未见病灶。

1.2 影像采集 采用GE Senographe Essential数字乳腺机，阳极靶面材料为钼，滤过材料为钼和铑。采用全自动压迫系统和全自动曝光系统，曝光电压22～49 kV，曝光电流为4～500 mAs，采集方法符合中华医学会2016年制定的技术标准[5]。

1.3 DL病变检出系统 使用Dr.Wise乳腺X线影像辅助诊断系统(以下简称AI，北京深睿博联科技有限责任公司)。以标准协议的Dicom数据作为输入，自动检出并分5类显示病变，即典型良性钙化、可疑钙化、肿块、非对称和结构扭曲，本研究纳入后4种作为阳性发现。

1.4 影像报告与审核 由1名低年资(不足5年乳腺X线阅片经验)放射科医师书写、1名高年资(10年以上乳腺X线阅片经验)放射科医师审核，参考美国放射学院2013年第5版BI-RADS标准[6]和中华医学会放射学分会《乳腺X线摄影检查和诊断共识》[7]出具诊断报告。

1.5 验证方案 进行AI检测，针对 BI-RADS 3类以上病例判读AI是否检出相应病变；对报告为BI-RADS 1类和2类、但AI有阳性发现的病例，由3名高年资(10～30年乳腺X线阅片经验)影像科医师审核，并给出相应BI-RADS分类，意见不一致时，经讨论得出最终结论。AI不确定是否为病变时，统一归为BI-RADS 0类。

1.6 统计学分析 采用 Python 3.6.2统计分析软件，评价AI对BI-RADS 3类以上病例的检出敏感度，并分别统计不同BI-RADS分级钙化、肿块、非对称和结构扭曲的敏感度，结合双向表χ2检验验证不同种类病变敏感度的差异。对于BI-RADS 1类和2类病灶，按照病变类别、ACR腺体构成分类、BI-RADS分类分别统计AI多检出且审核结果为BI-RADS 0类、3类及以上病变，结合双向表χ2检验验证病变数量差异。P<0.05为差异有统计学意义。

2 结果

2.1 AI检出敏感度 报告显示230例存在BI-RADS 3类及以上病灶。分别有99、73、19、33和6例存在BI-RADS 3、4a、4b、4c和5类病变。其中BI-RADS 3、4a、4b、4c和5类病灶数量分别为103、79、23、40和11个，AI检出敏感度分别为82.52%(85/103)、97.47%(77/79)、100%(23/23)、100%(40/40)和100%(11/11)，总敏感度为92.19%(236/256)，见表1。根据后续活检、手术病理结果，53例证实为恶性病变，AI全部检出。钙化、肿块、非对称和结构扭曲数量分别为74、128、48和6个，AI检出敏感度分别为98.65%(73/74)、92.19%(118/128)、81.25%(39/48)和100%(6/6)。AI对不同BI-RADS分类、不同类型病灶的检出敏感度差异均无统计学意义(P均>0.05)，见表1，但存在一定数量漏检(图1～3)。

2.2 AI多检出病灶 报告显示254例存在BI-RADS 1类和2类病灶，其中203例AI提示阳性，经审核75例(80个病灶)确定为BI-RADS 0类，21例(23个病灶)确定为BI-RADS 3类或以上，其中1例包含2个BI-RADS 3类肿块，1例包含BI-RADS 4a和4b类肿块各1个。AI多检出的BI-RADS 0类病灶数量可观，且病灶类型分布与报告不同(P<0.05)，而多检出的BI-RADS 3类及以上病灶类型分布则与报告相符(P>0.05)，见表2。AI多检出的BI-RADS 3类及以上病灶类型和BI-RADS分布见表3和图4～6。

表1 不同BI-RADS分类下、不同病灶类型AI检出情况[%(个)]

注：*：表示对应的总数为0，检出率无意义

表2 AI多检出的病灶及同原始报告的分布对比[个(%)]

图1 患者女，55岁，AI漏检钙化，报告提示团簇分布的圆形点状钙化，BIRADS 3类 A.左乳MLO位； B.左乳MLO位病灶区域特写； C.左乳CC位；D.左乳CC位病灶区域特写

2.3 ACR腺体构成分类对检出病灶的影响 统计不同ACR腺体构成分类下的病灶数量，诊断报告中各BI-RADS类别的病灶分布、AI多检出的BI-RADS 0类和3类及以上病灶分布与总体分布一致(P均>0.05)，见表4。

3 讨论

3.1 AI的检出敏感度分析 本研究中，对于230例诊断报告BI-RADS 3类及以上病灶，AI总敏感度为91.74%，尤其对于钙化的敏感度接近100%，高于肿块和非对称，与文献[4,8]报道类似，且发现AI敏感度与病灶恶性程度呈正相关，其对BI-RADS 4a类及以上病灶的敏感度高达98.47%(129/131)，4b类及以上病灶敏感度为100%(58/58)。AI漏检主要集中在BI-RADS 3类病灶，包括1个团簇分布的圆形点状钙化，AI检出但判断为典型良性钙化；漏检肿块则以腺体遮蔽、直径较小者为主。

本研究结合双向表χ2检验，发现AI对不同类型及不同BI-RADS分类病灶的敏感度差异均无统计学意义，验证了AI系统的稳定性。

3.2 AI对减少影像医师漏诊的价值 AI系统在诊断报告BI-RADS 1类和2类病变的254例中多检出75个BI-RADS 0类和21例存在BI-RADS 3类及以上病例，分别占29.53%和8.27%，前者需要结合其他检查进一步确诊，后者则需要随访或穿刺活检，提示AI可以有效减少医师对于有临床意义病灶的漏检，与既往研究[9-10]结果相符，后者均系以AI作为第二阅片人，统计AI帮助影像医师多检出的病灶，而本研究则从新的角度验证了AI对减少漏诊的有效性。

以病灶为单位统计，本研究AI多检出80个BI-RADS 0类，其中非对称占比过半(41/80，51.25%)，这是因为对应病例中90%以上为ACR c和d类，致密的纤维腺体结构遮挡会降低X线影像的可靠性；23个BI-RADS 3类以上病灶，其中3个钙化均为无定形形态，指南统计显示，该形态钙化阳性预测值高达21%[6]，且密度较低，接近于纤维腺体，有重要临床意义，但易漏诊。AI还有助于减少由于纤维腺体遮蔽导致的漏检肿块和非对称。

图2 患者女，61岁，AI漏检肿块，报告提示卵圆形、边缘遮蔽、等密度，BIRADS 3类 A.左乳MLO位； B.左乳CC位病灶区域特写； C.左乳CC位； D.左乳MLO位病灶区域特写 图3 患者女，39岁，AI漏检非对称，报告提示结构不对称，BIRADS 3类 A.右乳CC位； B.左乳CC位

图4 患者女，44岁，报告遗漏可疑钙化，团簇分布的无定形钙化，BIRADS 4b类 A.右乳CC位； B.右乳CC位病灶区域特写； C.右乳MLO位； D.右乳MLO位病灶区域特写 图5 患者女，46岁，诊断报告遗漏结构不对称，BIRADS 3类 A.右乳CC位； B.左乳CC位

表3 AI多检出且审核确认为BI-RADS 3类以上的病灶统计[个(%)]

注：括号内为相应病灶数占该类型病灶总数的比例

表4 在不同ACR腺体构成分类下原始报告和AI多检出病灶分布对比[个(%)]

注：括号内数字为病灶数占所在BI-RADS分类总数的比例

图6 患者女，41岁，报告遗漏2个肿块，第一行示形状不规则、边缘模糊的等密度肿块，BI-RADS 4b类；第二行示形状不规则、边缘遮蔽的等密度肿块，BI-RADS 4a类 A.左乳MLO位；B.左乳MLO位上象限病灶区域特写；C.左乳MLO位下象限病灶区域特写；D.左乳CC位；E.左乳CC位上象限病灶区域特写；F.左乳CC位下象限病灶区域特写

本研究主要局限性：为单中心研究，需多中心研究结果加以验证；同时，经多名医师验证的假阴性病例仅21例，有待进一步统计分析病灶类型分布。

综上所述，基于DL的乳腺X线影像病灶检出系统对于BI-RADS 3类及以上病灶具有较高敏感度，并可有效减少医师漏诊。