European Radiology：结合人工智能与BI-RADS分类提高乳腺超声筛查特异性，减少不必要活检

超声检查（US）是乳腺癌筛查和诊断的一种有价值的方式，尤其适用于年轻女性和乳腺致密的女性，因为患者对其耐受性良好，且该检查不需要电离辐射或静脉注射造影剂。然而，超声检查的特异性相对较低，在美国，超声筛查后进行的活检中只有 9% 至 11% 是恶性的，这增加了医疗成本和患者的焦虑感。因此，需要额外的非侵入性解决方案来提高超声检查的特异性。

最近，已有几种用于评估乳腺超声的商用人工智能（AI）系统问世，这些系统融入了基于大量超声图像数据集训练的深度学习算法。据报道，一种能够分析乳腺目标肿块形态特征并进行二分类的人工智能系统可以提高放射科医生的工作表现，尤其是在特异性方面。在这种情况下，人工智能充当决策支持系统，辅助放射科医生做出最终判断。但当放射科医生的乳腺影像报告和数据系统（BI-RADS）分类与人工智能分类不同时，对于是忽略还是遵循人工智能的结果，目前尚无共识。人工智能在两个正交平面图像上的分类也可能不一致，并且在低可疑病变中，径向平面和反径向平面之间的人工智能结果不一致的情况最为常见。

多项研究探索了将人工智能与 BI-RADS 相结合，以减少不必要的乳腺活检，并且发现人工智能可用于将 BI-RADS 4a 类病变降级，从而避免良性活检。然而，这些研究存在一些局限性，例如样本量小、敏感性降低或缺乏外部验证。此外，尽管年龄已被证明是乳腺影像诊断的一个重要风险因素，但这些研究并未将其纳入考虑。最近，金（Kim）等人开发了一种诊断模型，该模型纳入了基于人工智能的定量形态学评分、BI-RADS 分类以及患者年龄。与放射科医生的 BI-RADS 分类相比，该模型在外部测试集中能够在不影响敏感性（9 例中有 9 例，100%）的情况下降低良性活检率（164 例中有 160 例，98% 对比 164 例中有 78 例，48%；P < 0.001）。然而，目前的商用版人工智能系统并不提供这些定量形态学评分。因此，在乳腺超声筛查中，除了人工智能分类和放射科医生的 BI-RADS 分类外，再考虑患者年龄，是否能够在不影响敏感性的前提下减少良性活检，这一问题值得进一步研究。

最近，发表在European Radiology 上的一篇文章开发并测试了整合人工智能（AI）的避免活检策略，以提高乳腺超声筛查（US）的特异性。

这项回顾性研究纳入了 2019 年 12 月至 2020 年 12 月期间（建模队列）以及 2020 年 6 月至 2020 年 12 月期间（外部验证队列）在两家医院进行乳腺超声筛查检查时，被诊断为乳腺影像报告和数据系统（BI-RADS）3、4a、4b、4c 或 5 类肿块的连续无症状女性。如果存在多个病变，则分析最可疑的病变。采用逻辑回归分析来制定整合人工智能的避免活检策略，即如果人工智能分类结果为 “两个平面均为良性”（适用于所有女性），或者在年龄≤45 岁的女性中为 “一个平面良性、一个平面恶性”，则将 BI-RADS 4a 类肿块降级为 BI-RADS 3 类。计算两个队列的诊断性能指标，并将其与放射科医生的初始评估结果进行比较，使用威尔科克森秩和检验评估敏感性的非劣效性（相对非劣效性界值为 5%），使用麦克尼马尔检验评估特异性。

 建模队列由 393 名女性（中位年龄 45 岁 [四分位距，40-50 岁]）组成，其中有 101 例恶性病变；外部验证队列由 166 名女性（中位年龄 47 岁 [四分位距，42-51 岁]）组成，其中有 31 例恶性病变。所制定的策略在保持敏感性（均为 100% [31/31；95% 置信区间：98.9，100]）的同时，将特异性从 53.3%（72/135；95% 置信区间：45.0，62.1）提高到了 80.7%（109/135；[95% 置信区间：74.2，87.5]；P < 0.001），并且在外部验证队列中，该策略本可以避免 61.7%（37/60 [95% 置信区间：48.2，73.7]）的 BI-RADS 4a 类肿块的良性活检。

表 根据BI-RADS评估类别，放射科医生的原始读数和AI分类在两个正交平面上的恶性肿瘤率

本项研究表明，一种结合了两个正交平面的人工智能分类、年龄以及 BI-RADS 分类的策略，在保持非劣效敏感性的同时，提高了乳腺超声筛查的特异性。

原文出处：

Yan Ju,Ge Zhang,Yi Wan,et al.Integration of AI lesion classification, age, and BI-RADS assessment to reduce benign biopsies on breast ultrasound.DOI:10.1007/s00330-025-11467-7