European Radiology:基于超声的深度学习模型在进行乳腺病变风险分层中的应用
2023-03-04 shaosai MedSci原创 发表于上海
最近,许多研究利用机器学习(ML)或深度学习(DL)技术建立了良性和恶性乳腺病变的二元分类预测模型;然而,只有少数研究关注BI-RADS分类或两者都关注,而且还存在一些问题。
据统计,乳腺癌是全世界范围内女性最常见的恶性肿瘤之一。临床上通过乳腺影像检查进行全面、规范的评估,以评估乳腺病变的特征、位置、大小、数量和腋窝淋巴结状况。超声(US)是一项应用广泛的技术,在乳腺癌临床诊断和治疗的全过程中,如筛查、诊断、引导下的活检、淋巴结转移的鉴别、术后随访等方面发挥着重要作用。
2013年,美国放射学会(ACR)发布了美国乳腺成像报告和数据系统(BIRADS)词典。该词典是一个用于临床实践的有用指南,提供了评估类别和临床管理建议。然而,美国ACR乳腺病变的恶性分类系统受到相对较低的特异性和观察者间差异性的影响。高假阳性的结果导致了对部分良性病变的不必要活检。然而,如果不进行严密监测或活检,可能会导致乳腺癌的延迟诊断,这将对患者的预后产生不利影响。BI-RADS词典没有规定哪些US特征应包括在最终分类中。US对乳腺病变的诊断主要取决于放射医师的培训、经验水平和专业知识。观察者之间的差异和临床管理建议的差异会导致额外或重复的影像检查。此外,即使在标准化词汇的帮助下,人眼对一些乳腺病变进行分类也是一种挑战。尽管对US词典的使用仍有批评意见,但US研究结果的恶性风险已被成功确定,并为患者制定了适当的诊断策略。
最近,许多研究利用机器学习(ML)或深度学习(DL)技术建立了良性和恶性乳腺病变的二元分类预测模型;然而,只有少数研究关注BI-RADS分类或两者都关注,而且还存在一些问题。首先,许多研究使用单一机构的训练和验证数据集来建立模型,没有独立的外部测试集来验证其模型的稳健性。其次,一些研究报告了使用人工智能(AI)技术进行BI-RADS分类,但这些研究没有显示每个分类的恶性程度。第三,目前的大多数研究没有关注使卷积神经网络(CNN)集中于肿块及其周围的内容而不是图像中的其他区域。此外,据我们所知,很少有研究专注于提高BI-RADS分类的预测性能。
近日,发表在European Radiology杂志的一项研究建立了一个使用超声图像的乳腺病变风险分层系统,以预测乳腺恶性肿瘤并同时评估乳腺成像报告和数据系统(BI-RADS)的类别。
本项多中心研究从2018年12月到2020年12月前瞻性地收集了三十二家医院5012名患者的超声图像数据集。开发了一个深度学习(DL)模型,并同时进行二元分类(良性和恶性)和BI-RADS分类(2、3、4a、4b、4c和5)。4212名患者的训练集和416名患者的内部测试集来自三十家医院。其余两家医院的384名患者被作为外部测试集。三位经验丰富的放射科医生对从测试集中随机挑选的324名患者进行了阅读者研究。研究将DL模型的性能与三位放射科医生的性能以及三位放射科医生的共识进行了比较。
在外部测试集中,DL模型的二元分类和六元分类的接受者操作特征曲线下面积(AUCs)分别达到0.980和0.945。在读者研究集中,DL BI-RADS分类取得了类似的AUC(0.901 vs. 0.933,p = 0.0632)、敏感性(90.98% vs. 95.90%,p = 0.1094)和准确性(83.33% vs. 79.01%,p = 0.0541),但与三位放射学家的共识相比,特异性更高(78.71% vs. 68.81%,p = 0.0012)。
图 ITC(A)和ETC(B)中DL二元分类和BI-RADS评估类别和原始放射科医生诊断性能的AUCs。AUCs,接收器操作特征曲线下的面积;DL,深度学习;BI-RADS,乳腺成像报告和数据系统;ITC,内部测试队列;ETC,外部测试队列
研究表明,DL模型在区分乳腺良性和恶性病变方面表现良好,有望协助临床减少对BI-RADS 4a病变的不必要活检。本项研究提出的DL BI-RADS模型在诊断乳腺肿瘤方面表现出与放射科医生相似的水平,这表明DL模型在临床诊断中的潜在应用价值。
原文出处:
Yang Gu,Wen Xu,Ting Liu,et al.Ultrasound-based deep learning in the establishment of a breast lesion risk stratification system: a multicenter study.DOI:10.1007/s00330-022-09263-8
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言