基于人工智能深度学习算法的超声诊断系统在触诊阴性的乳腺结节良恶性鉴别中的应用

刘 瑞,袁文佳,刘 巍

郑州大学附属肿瘤医院(河南省肿瘤医院)超声科 郑州 450003

乳腺癌是当今女性恶性肿瘤发病率最高的肿瘤类型之一,也是女性因癌症死亡的主要原因之一,40～50岁是发病高峰时期。流行病学资料显示,女性乳腺癌患者占新诊癌症的30%[1],而每年死于乳腺癌的女性约占女性死亡人数的1.6%[2]。同时另一组数据[3]表明,尽早进行乳腺癌筛查可降低25%～30%的乳腺癌病死率;参与乳腺癌筛查计划的女性确诊后10 a内的乳腺癌病死率降低[4]。因此早期诊断,尽早采取治疗有助于提高乳腺癌的预后。然而有研究[5]指出,单纯乳腺影像学检查会遗漏20%～30%的恶性病例,阅片医师经验和操作水平以及图像清晰程度等影响诊断结果。随着人工智能在新型医疗领域中的应用,利用新技术提高乳腺良恶性病灶诊断准确率成为近年来研究的热点。本研究探讨了基于人工智能深度学习算法的超声诊断系统在触诊阴性的乳腺结节良恶性鉴别中的应用价值,现将结果报道如下。

1 对象与方法

1.1 研究对象将2019年3月至2022年3月郑州大学附属肿瘤医院收治的120例乳腺结节患者作为研究对象并进行回顾性分析。纳入标准:①术前触诊阴性,并于我院行超声检查、超声弹性成像以及S-Detect检查。②术后有完整的病理组织学报告。③签署知情同意书。排除标准:①非原发性乳腺恶性肿瘤。②术前有化疗或放疗治疗史。③接受过激素疗法治疗。④病灶结节直径>5 cm导致超声探头无法完全包络。⑤图像质量不佳。⑥多灶性乳腺癌患者。120例均为女性患者,年龄28～62(45.74±18.66)岁。

1.2 超声检查首先对所有患者行常规超声及超声弹性成像检查。采用RS80A超声诊断仪(韩国SAMSUNG公司)进行检查,选择线阵高频超声探头,患者取仰卧位,竖直抬高手臂,充分暴露胸部病灶区域。设置探头频率为6～15 MHz,以乳头为中心进行扫查。发现目标结节后对周围进行交替检查,记录结节的特征,包括位置、大小、回声情况及内部血流信号情况。结节信息采集完毕后切换为超声弹性成像模式,将探头放置于病灶部位,取样框设置为病灶的2～3倍,适当加压,调整压力释放频率在2.5 MHz左右,取图像质量最佳的时刻保存图像。最后切换至RS80A超声诊断仪自带的人工智能S-Detect模式,设置探头频率为5～13 MHz,以结节的最大径和垂直切面作为标准层勾画病灶区域,利用软件自动分析程序评估结节性质。

1.3 判断标准超声检查图像结果由同一位具有资深临床经验的医师进行阅片和判读。根据第5版乳腺BI-RADS分类标准[6]进行评估,≤4A类为良性,≥4B类为恶性。病灶组织硬度弹性评分标准为改良5级评分法[7],1分为正常,区域内2/3为绿色;2分为区域内蓝绿相间;3分为病灶区域以蓝色为主,周围区域呈绿色;4分为区域整体为蓝色,内部有少许绿色;5分为病灶区域内整体及周围均为蓝色;≤3分为良性,≥4分为恶性。采用Adler半定量法对血流情况进行分级,0级为结节内无血流信号,Ⅰ级为结节内存在1～2个星点状或细棒状的血流信号,Ⅱ级为结节内存在1条较大的血管或3～4个点状血流信号,Ⅲ级为结节内存在3条以上较大的血管且结节内血流较丰富。0级和Ⅰ级诊断为良性,Ⅱ级和Ⅲ级诊断为恶性。联合两种诊断进行结果判读,两种标准均为良性则诊断为良性,任一诊断标准为恶性则诊断为恶性。

1.4 统计学处理采用SPSS 23.0进行统计学处理。以术后病理组织活检结果为金标准,评价超声弹性成像、人工智能S-Detect技术以及二者联合对乳腺结节的诊断价值。检验水准α=0.05。

2 结果

2.1 患者基本情况120例患者共检查出153个乳腺结节,直径4.1～36.5(20.3±6.6) mm。组织病理学检查:良性病灶97个,其中导管内乳头状瘤9个,单纯乳腺腺病11个,单纯乳腺纤维腺瘤75个,囊肿或导管囊性扩张2个;恶性病灶56个,其中浸润性导管癌48个,导管原位癌5个,浸润性小叶癌3个。

2.2 超声弹性成像的诊断效能分析结果见表1。超声弹性成像诊断敏感度75.00%,特异度81.44%,阳性预测值70.00%,阴性预测值84.95%,准确度79.08%。

表1 超声弹性成像的诊断效能分析 个

2.3 人工智能S-Detect诊断效能分析结果见表2。人工智能S-Detect技术诊断敏感度91.07%,特异度83.51%,阳性预测值76.12%,阴性预测值94.19%,准确度86.27%。

表2 人工智能S-Detect诊断效能分析 个

2.4 人工智能S-Detect联合超声弹性成像对乳腺结节性质的诊断价值结果见表3、4。联合诊断的敏感度94.64%,特异度87.63%,阳性预测值81.54%,阴性预测值96.59%,准确度90.20%,AUC(95%CI)为0.864(0.790～0.942);与单独超声弹性成像或单独人工智能S-Detect相比,联合诊断方案的准确度较高。

表3 人工智能S-Detect联合超声弹性成像对乳腺结节性质的诊断结果 个

3 讨论

目前乳腺癌的影像学筛查手段包括超声、磁共振成像、乳腺X射线钼靶等,其中磁共振成像对于乳腺软组织的分辨率较好,但检查费用昂贵、操作复杂,并不适合初诊的乳腺结节患者的筛查;乳腺X射线钼靶检查对于图像钙化显示的效果较好,但对于部分乳腺组织致密的恶性结节的诊断效果较差,同时对于结节内部血流信息的提供有限;而超声诊断无创、便捷、可连续扫查,是目前筛查乳腺疾病的首选影像学手段,广泛应用于乳腺结节的良恶性鉴别诊断。

美国放射学会更新发布的BI-RADS分类标准[5-6]中增加了图像质量、乳腺解剖、超声弹性成像等标准,将4A类定义为低度可疑恶性,恶性率3%～10%,4B类为中度可疑恶性,恶性率11%～50%,4C类为高度可疑恶性,恶性率51%～94%,因此本次研究将4A类及以下判为乳腺良性结节,该标准规范并提高了乳腺良恶性结节的诊断准确率[8]。切换至超声弹性成像后采用改良5级评分法进行良恶性结节的诊断,结合BI-RADS分类后超声诊断结果中共检出60个恶性结节和93个良性结节;组织病理学结果显示153个病灶中良性病灶共97个,恶性病灶共56个。超声诊断与组织病理学诊断结果不一致的原因分析如下:由于结节直径过小而在超声图像上显示的边界较模糊,被BI-RADS分类为4A类;由于乳腺腺泡增生导致形态不规则的单纯乳腺腺病被误诊为恶性;浸润性导管癌的结节弹性与组织学分级有关,肿瘤分化水平越高,弹性评分越高,低组织学分级的结节影响了弹性评分,可能造成误诊。由此可见,单纯超声弹性成像诊断鉴别乳腺良恶性结节存在一定的局限性[9-10]。

S-Detect技术是基于卷积神经网络深度学习算法的计算机辅助诊断技术,在BI-RADS分类诊断的基础上对乳腺结节的大小、形态、方向、回声情况等进行多方面评估,利用深度学习模型自动对乳腺结节的信息作出恶性或良性的判断[11-13]。相较于BI-RADS分类或其他主观判断方法,S-Detect技术受阅片医师的主观影响程度较小,同时由于机器自动化评估,缩短了诊断时间,提高了诊断效率。本研究中人工智能S-Detect技术共检出67个恶性结节和86个良性结节,敏感度91.07%,特异度83.51%,阳性预测值76.12%,阴性预测值94.19%,准确度86.27%,相较于超声弹性成像检查均略高,与以往研究[14-15]结果一致;少数误诊或漏诊的原因可能与部分结节太小导致人工智能S-Detect技术无法完全识别或部分位置较深的结节难以被S-Detect技术确认边缘、形态等特征信息有关。本次研究结果显示,人工智能S-Detect技术联合超声弹性成像共检出65个恶性结节和88个良性结节,与组织病理学结果相比,人工智能S-Detect技术联合超声弹性成像诊断敏感度94.64%,特异度87.63%,阳性预测值81.54%,阴性预测值96.59%,准确度90.20%,相较于单纯超声弹性成像检查和人工智能S-Detect技术都更高,原因在于在人工智能S-Detect技术的基础上结合超声影像,即使良性病灶和恶性病灶有形态学上的重叠导致人工智能S-Detect技术难以鉴别也能够通过弹性程度的差异准确鉴别,实现了影像学检查手段的互补,提高诊断效能,减少临床误诊率。

综上所述,基于人工智能深度学习算法的超声诊断系统在触诊阴性的乳腺结节良恶性鉴别中的应用效果较好,有助于辅助临床诊断。