人工智能在乳腺癌图像分析中的研究进展

辛玉晶，周翔

国家癌症中心/国家肿瘤临床医学研究中心/中国医学科学院北京协和医学院肿瘤医院介入治疗科，北京 100021

乳腺癌是全世界最常见的恶性肿瘤之一，也是导致女性恶性肿瘤死亡的主要原因，其发病率及病死率均逐年上升，且发病年龄呈年轻化趋势，因此早期诊断尤为重要[1-2]。医学影像作为疾病诊断的重要依据，具有严格的诊断标准和规范，因此基于医学影像的人工智能分析开始得到广泛研究和应用。近年来，随着计算机技术的快速发展和医疗技术的进步，人工智能技术已经在乳腺癌的诊断、治疗、药物研发及预后中有了实质性的进展，未来辅助临床指导治疗和预后已成为必然趋势[3-5]。随着计算机技术的发展、数据的爆发式增长和各种高级算法的应用，智能机器人、语音识别、图像识别、自然语言处理以及专家系统等技术被广泛地应用于社会的不同领域，改变了人类的生活方式，提高了生活质量[6-7]。目前人工智能技术已在医疗成像、体外诊断、手术导航、辅助治疗、健康大数据等方面得到了实际应用，并在提高肿瘤诊断率、新药研发、改善诊疗体验以及判断患者预后等方面发挥了重要作用[8-10]。

1 人工智能图像分析技术概述

医疗电子化和云计算平台的快速发展为大规模收集医疗数据创造了有利的条件，推动了数据驱动的智慧医疗的发展，使得精准医学成为可能。人工智能图像分析模型可以从图像数据中高通量地提取大量影像信息，实现肿瘤分割、特征提取与模型建立，对海量影像数据信息进行更深层次的挖掘、预测和分析[11-12]。因此，人工智能在乳腺癌筛查和检测中的应用具有重要意义，不仅节约了放射科医师和病理科医师的时间，而且弥补了一些初学者经验和技能的不足，可辅助医师做出最准确的诊断，提高工作效率，节约医疗资源。而且，医疗智能化在解决医疗资源分配不平衡和相对匮乏方面也发挥着越来越重要的作用。

2 人工智能在乳腺癌影像学诊断中的应用

乳腺X线摄影、超声、磁共振成像（MRI）等影像技术是乳腺癌检出、分期、疗效评估以及随访的重要手段，这些影像诊断方法将患者的病死率降低了30%[13-14]，但图像处理和分析仍然需要依赖放射科医师，需要更多的专业知识、经验和时间。随着数据驱动的人工智能时代的到来，智能模型可以对乳腺图像进行挖掘、预测和分析，辅助医师诊断，提高工作效率。

乳腺X线摄影是乳腺癌主要的早期筛查方式，基于计算机视觉技术的算法主要应用于计算机辅助诊断（computer aided diagnosis，CAD）系统，用来提高肿块和钙化灶的检出准确性[15-16]。肿块和微钙化是乳腺癌的早期征象，通常很难将异常肿块与正常乳腺组织区分开来，CAD系统有助于放射科医师有效地检测异常。Dheeba等[17]研究了一种基于人工神经网络的乳腺数字图像异常分类算法，该算法是根据从乳腺图像中提取的纹理特征的规律，应用模式分类器对可疑区域进行分类，然后应用于含有216例乳腺钼靶片的临床数据库，结果表明，该算法的受试者工作特征（receiver operating characteristic，ROC）曲线的曲线下面积为0.96853，灵敏度为94.167%，特异度为92.105%。Ragab等[18]提出了一种新的计算机辅助检测系统，通过卷积神经网络（convolutional neural network，CNN）进行特征提取，在公开数据集中进行测试，其准确度、特异度和灵敏度都得到了明显改善。Kooi等[19]应用深度学习网络检测乳腺X线图像的肿块和钙化，通过对455 000张有标签的图像进行训练，准确度高达90%，超过了传统的CAD系统。

近年来，除乳腺X线摄影外，超声诊断乳腺癌的灵敏度也得到了提高，特别是对于致密型乳腺癌患者[20]。随着弹性成像、超声造影等新技术的发展，乳腺超声在乳腺癌诊断中的作用正逐渐获得重视。人工智能技术利用学习算法从超声图像中提取特征，建立模型，取得了较好的效果，目前基于超声影像的人工智能图像分析主要集中在乳腺癌的诊断以及结节分类等方面[21-24]。Han等[25]在一项研究中利用深度学习网络分析乳腺超声图像，进而区分乳腺结节的类型，通过对7408个乳腺超声图像进行训练，该网络的准确度约为90%，灵敏度为86%，特异性为96%。Becker等[24]设计了一个通用的深度学习软件（deep learning software，DLS），可根据乳腺超声图像对乳腺癌进行分类，并将其性能与有经验的超声医师进行比较。该研究回顾性分析了647个超声图像，其中70%的图像用于训练，剩下的30%用于验证性能，结果显示其准确度与超声医师相当。说明基于人工智能的乳腺分类器有助于诊断乳腺病变，且较无经验的医师学习得更好更快，而且其评估速度较快，使得实时图像分析成为可能。

乳腺MRI检查较乳腺X线摄影和超声具有更高的灵敏度和特异度。人工智能技术在乳腺MRI中主要用于乳腺病变分类、图像处理、新辅助治疗和预后的影像学随访[26-27]。Sutton等[28]利用深度学习网络从178个乳腺癌MRI图像中提取特征，从而鉴别乳腺癌分子亚型，并结合病理资料来提高模型的准确性，显示了深度学习在MRI诊断乳腺癌中的广阔前景。Braman等[29]对117例接受新辅助化疗的乳腺癌患者的动态增强MRI图像特征进行了高通量提取，通过肿瘤内和瘤周放射组学联合的方法，成功地预测了新辅助化疗后的病理反应，表明人工智能可在定量分析乳腺MRI图像的基础上识别和优化更准确、可靠的影像学标记，可用于预测恶性肿瘤患者的预后，并帮助开发更有效的个性化肿瘤治疗模式。

3 人工智能在乳腺癌病理图像分析中的应用

随着人们对乳腺癌个性化治疗需求的增长，临床中迫切需要应用更准确的组织病理学诊断方法来提高乳腺癌的诊断质量。人工智能可通过特定的算法对病理图片进行智能处理，通过训练和优化算法，从而实现开发高精度、高效率的病理识别算法模型的目标。最近人工智能的突破有望从根本上改变乳腺疾病的诊断和治疗方法[30-32]。Han等[31]通过深度学习模型对乳腺癌组织病理图像进行了训练、验证和测试，对乳腺癌进行了多种分类，并取得了93.2%的准确率。另外，对前哨淋巴结（sentinel lymph node，SLN）进行组织病理学分析是评估乳腺癌分期的重要步骤。然而，病理学家评估SLN的灵敏度并不理想，而且SLN的评估既冗长又耗时。已有研究表明，深度学习算法能够以100%的灵敏度识别SLN载玻片中的转移，这可以显著降低病理学家的工作量[31,33]。Ehteshami Bejnordi等[34]研究了深度学习算法在淋巴结病理图像识别中的应用，其应用开发的检测淋巴结转移的人工智能算法对129张完整的载玻片图像（49张有转移，80张无转移）进行独立测试，从而评估算法的性能。同时11名病理学家组成的小组也评估了相同的测试集，在分类任务中，人工智能算法在诊断模拟方面明显优于病理学家。但这种方法是否具有临床实用性，仍需要在临床环境中进行评估。

4 人工智能图像分析技术存在的问题

从目前的临床应用来看，人工智能在乳腺癌影像学诊断和病理图像分析领域获得了较好的应用。就研究结果而言，其较高的灵敏度和特异度有助于辅助临床诊断和治疗，但仍有很多问题不容忽视[35-36]。技术问题：①依赖高质量和大量的图像数据。图像数据的质量、数量和组成是影响人工智能影像分析准确性的关键因素，但其质量标准及最佳方案尚未明确。②过度拟合。模型的泛化能力不足，实用性较差。③通用性较差。因各地医院的疾病谱、成像设备和摄像技师的差异，训练出来的人工智能模型的通用性有待进一步确认。社会伦理问题：①人工智能的性能高度依赖于数据，因此研发和应用的过程中，在全国甚至全球范围内使用临床影像数据可能存在法律和伦理方面的问题。②任何系统都不可能是完美的，如果出现错误或错误信息导致患者受到伤害，责任承担问题需要解决。③临床医疗行为具有极其鲜明的人文特质，人工智能无法替代医师对患者的交流与安慰，尊重患者隐私以及对患者隐私的保护也是一个潜在的问题[37-38]。

5 小结与展望

应用人工智能对乳腺癌图像进行分析相对于传统的影像识别具有更高的灵敏度和可信度，相对于临床医师具有更高的效率。而且人工智能在医学上的应用可以为医疗资源匮乏的地区提供切实可行的解决方案，弥补了一些初学者经验和技能的不足，从而辅助医师做出最准确的诊断，为更多乳腺疾病患者提供早期筛查诊治的医疗条件，改善患者的生活质量。目前基于人工智能的医学应用领域很多，包括疾病诊断、科研、治疗决策支持等诸多方面，其发展及应用的重要环节是人工智能技术与医疗工作的紧密结合，即医师与计算机科学家或工程师的相互交流乃至深入合作。在乳腺癌领域应用人工智能，对乳腺癌患者的益处是可以预见的，但其研发及应用均存在很多尚待解决的问题，因此需要更多医师和计算机专家的共同协作。人工智能技术为医学事业注入了新的活力，将引发更广范围、更深层次的医疗变革。人们应以更加积极的态度迎接人工智能的到来，主动了解甚至研发人工智能，促进其发展。