Academic radiology：放射组学协助BI-RADS诊断4A类病灶！

据统计，在2020年，女性乳腺癌将超过肺癌成为最常见的恶性肿瘤，占女性癌症死亡人数的六分之一。乳腺超声由于其快速和无辐射的特点，是乳腺癌筛查和诊断的有用工具。现阶段，美国放射学会（ACR）的乳腺成像报告和数据系统（BI-RADS）已广泛用于临床实践以规范超声描述。该系统根据不同的超声特征将乳腺疾病分为五类，其中BI-RADS 4又分为4A、4B和4C类。根据ACR BI-RADS图谱第5版，第4类病变应进行组织学检查以确定病理结果；然而，4A类病变的恶变概率仅为2%-10%，这意味着需要不必要地增加了侵入性检查。如果能用无创的方法来区分良性和恶性的4A类病变，就可以减少不必要的活检，从而有利于临床医生提出准确的管理建议。

自动乳腺容积扫描仪（ABVS）可提供病变的标准化横向成像，并可在专门的工作站上重建为冠状和矢状图像。病变的冠状面为诊断提供了额外的信息，标准化的图像对放射组学分析十分重要。除了提取和定量分析肉眼看不见的图片外，放射组学作为一种潜在的人工智能技术，还可以大大减少不同超声技师之间存在的观察者差异。目前，放射组学在区分良性和恶性乳腺结节方面显示出巨大的潜力。

此外，由于个人荷尔蒙、病理和遗传风险的不同，乳腺癌的风险可能会有所波动。特定的风险因素也可以预测与4A类病变相关的风险。

近日，发表在Academic radiology杂志的一项研究开发了一项基于ABVS和B超（BUS）放射组学和临床特征的临床放射组学列线图以评估4A类病变的恶性风险并进一步改进临床管理策略。

本项研究从2017年1月到2021年7月将纳入本研究的190例4A病变按8:2的比例分为训练集和验证集。通过自动乳腺容积扫描仪（ABVS）和B超从声像图中提取放射组学特征。研究构建了放射组学模型并计算了放射分数。采用单变量和多变量逻辑回归来评估人口统计学和病变弹性成像值（虚拟触摸组织图像、剪切波速度），并建立临床模型。利用rad-score和独立的临床因素建立了一个临床放射组学模型，并绘制了列线图模型。同时使用辨别力、校准和临床效用对列线图的性能进行了评估。 

列线图包括rad-score、年龄和弹性成像，并显示出良好的校准。在训练组中，临床放射组学模型的接受者操作特征曲线（AUC）面积（0.900，95%置信区间（CI）：0.843-0.958）优于放射组学模型（0.860，95%CI：0.799-0.921）和临床模型（0.816，95%CI：0.735-0.958）（P=0.024和0.008，分别）。决策曲线分析显示，在大多数阈值概率范围内，临床放射组学模型的性能最高。 

 图 病变注释的例子。(a和c)分别显示了ABVS和BUS的病变图像。(b和d)分别显示了ABVS和BUS的病变分割

本项研究表明，基于ABVS和B超的放射组学列线图在区分4A病变的良性和恶性方面表现出较高的诊断性能及价值，可以协助临床医生对4A病变做出准确诊断并减少患者不必要的活检。

原始出处：

Qianqing Ma,Junli Wang,Daojing Xu,et al.Automatic Breast Volume Scanner and B-Ultrasound-Based Radiomics Nomogram for Clinician Management of BI-RADS 4A Lesions.DOI:10.1016/j.acra.2022.11.002