韓英，何生 綜述 姜增譽，李健丁 審校

《2018年全球癌癥統(tǒng)計數(shù)據(jù)》顯示乳腺癌是全球絕大多數(shù)國家女性最常見癌癥，是103個國家的女性癌癥患者主要死亡原因[1]。在中國女性惡性腫瘤中，乳腺癌發(fā)病率位居首位，是年齡低于45歲的年輕女性死亡的主要原因[2]。早期發(fā)現(xiàn)乳腺癌是提高生存質(zhì)量，降低死亡率的關(guān)鍵。目前乳腺癌檢查方法主要是超聲、乳腺X線檢查和乳腺MRI。影像科醫(yī)生以視覺方式閱覽醫(yī)學(xué)圖像，發(fā)現(xiàn)疾病并做出報告。但醫(yī)生的主觀性以及人眼視力產(chǎn)生的誤差及視覺疲勞可能會導(dǎo)致誤診、漏診。并且影像科從傳統(tǒng)膠片到全面數(shù)字化PACS閱片系統(tǒng)應(yīng)用的轉(zhuǎn)變，導(dǎo)致影像科醫(yī)生的工作量急劇增加。因此需要提高乳腺癌診斷的準確性以及醫(yī)生的診斷效率。近年來，隨著人工智能(artificial intelligence，AI)硬件的突破和深度學(xué)習(xí)算法的迭代更新，AI在醫(yī)療健康領(lǐng)域廣泛應(yīng)用，如醫(yī)學(xué)影像、健康管理、疾病預(yù)測、醫(yī)院管理、分診導(dǎo)診等。本文就AI在乳腺影像領(lǐng)域的應(yīng)用現(xiàn)狀進行綜述。

AI與醫(yī)學(xué)影像

AI是一門廣泛的科學(xué)學(xué)科，以哲學(xué)、數(shù)學(xué)和計算機科學(xué)為基礎(chǔ)，旨在理解和開發(fā)顯示智能特性，幾乎滲透到現(xiàn)代生活的方方面面，包括象棋游戲、語音識別、無人駕駛、臉部識別等。AI包括機器學(xué)習(xí)(machine learning，ML)，深度學(xué)習(xí)(deep learning，DL)等[3]。DL是AI的一個重要分支，屬于ML的子集[4]。DL的優(yōu)點是，它不需要手工提取特征，可自動從數(shù)據(jù)中提取特征。其中以卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)為代表。

現(xiàn)在，影像學(xué)已從主觀感知技能轉(zhuǎn)向客觀科學(xué)。計算機可以提取人類眼睛看不見的組織的精細信息，并快速而準確地處理這些數(shù)據(jù)[5]。AI能夠使用大型復(fù)雜數(shù)據(jù)集進行高級學(xué)習(xí)，特別是DL，在醫(yī)學(xué)影像領(lǐng)域的應(yīng)用正在迅速發(fā)展。

AI目前在醫(yī)學(xué)影像中的應(yīng)用概述

近年來，AI在醫(yī)學(xué)影像中的應(yīng)用越來越廣泛，包括X線胸片肺結(jié)核篩查[6]、骨齡分析[7]；超聲甲狀腺結(jié)節(jié)的良惡性分類[8]，肝臟局灶性病變的良惡性分類[9]；CT肺結(jié)節(jié)篩查[10]、腦出血檢測[11]以及MRI腦腫瘤的分類[12]、腦膠質(zhì)瘤的分級[13]等。AI目前在乳腺影像的研究多集中在病灶檢出、良惡性分類、分子分型預(yù)測、風(fēng)險評估以及療效預(yù)測等。

AI在乳腺影像的應(yīng)用

1.密度評估

乳腺密度是影響乳腺癌發(fā)病的危險因素之一，客觀分析乳腺密度有助于臨床評估乳腺疾病風(fēng)險以及預(yù)后。Mohamed等[14]對2005-2016年接受乳腺X線檢查的1427位女性的鉬靶圖像進行回顧性分析，在醫(yī)生做出腺體分類的乳腺X線圖像數(shù)據(jù)集上(由7925張纖維腺體型乳腺X線圖像和14075張不均勻致密型乳腺X線圖像構(gòu)成)構(gòu)建CNN模型實現(xiàn)纖維腺體型、不均勻致密型乳腺腺體的自動分類，ROC曲線下面積(area under the curve，AUC)值為0.9421。自動評估乳腺密度可以避免由于醫(yī)師主觀造成的不一致性，從而更好地預(yù)測發(fā)生乳腺癌的風(fēng)險。

2.病灶檢出

由于乳腺癌影像表現(xiàn)的復(fù)雜性以及影像科醫(yī)師的主觀判斷，乳腺疾病的影像學(xué)檢查會出現(xiàn)漏診。Alejandro等[15]比較14名影像科醫(yī)生在診斷240位女性的乳腺X線圖像(使用AI和不使用AI)的表現(xiàn)得出結(jié)論，在AI幫助下的ROC曲線的AUC為0.89，較影像科醫(yī)生獨立診斷有所增加，并且AI幫助下的敏感度、特異度也有所增加。同時，Samala等[16]將在乳腺X線圖像數(shù)據(jù)集上預(yù)訓(xùn)練獲得的CNN模型用于在數(shù)字化乳腺斷層攝影(digital breast tomosynthesis，DBT)上檢測乳腺腫塊。QI等[17]構(gòu)建了由專業(yè)超聲醫(yī)師和乳腺外科醫(yī)師標注的乳腺超聲圖像數(shù)據(jù)集，并在此數(shù)據(jù)集上利用CNN構(gòu)建新的模型實現(xiàn)在乳腺超聲圖像中識別惡性腫塊。Zhou等[18]通過對2013年3月-2016年12月接受乳腺動態(tài)增強磁共振成像(dynamic contrast enhanced MRI，DCE-MRI)檢查的1537位女性的圖像回顧性分析，并在此基礎(chǔ)上構(gòu)建CNN模型實現(xiàn)乳腺病灶的檢出，模型診斷效能與影像科醫(yī)生診斷效能相當(dāng)，模型敏感度為90%，特異度為69%，AUC值達0.86。綜上所述，AI可以實現(xiàn)自動識別乳腺影像中的異常表現(xiàn)，幫助醫(yī)生在懷疑病灶的地方多觀察，降低影像科醫(yī)生的漏診率。

3.提升醫(yī)生讀片效率

AI能夠加快影像描述和診斷的速度，提高病灶的檢出效率[19]。Topol等[20]研究表明DL算法解析掃描圖像的速度比影像科醫(yī)生將近快150倍(1.2 s vs.177 s)。Becker等[21]基于445張超聲圖像數(shù)據(jù)集上進行預(yù)訓(xùn)練獲得CNN模型，然后在192張超聲圖像數(shù)據(jù)集上評估模型分類性能，同時由三名影像科醫(yī)生診斷192張超聲圖像。結(jié)果顯示利用CNN模型診斷每張超聲圖像耗時0.94 s，而3位經(jīng)驗由高到低的影像科醫(yī)生做出診斷分別用時8.8 s、6.9 s、7.8 s。綜上所述，DL算法可以縮短影像科醫(yī)生的診斷時間，并且進一步幫助醫(yī)生提高工作效率，能夠?qū)⑨t(yī)生從屏幕前解放出來，從而有更多的時間從事創(chuàng)新性的研究。

4.良、惡性疾病分類

鈣化是乳腺X線攝影的常見表現(xiàn)，準確鑒別良、惡性鈣化征象對乳腺癌的診斷以及治療有重要意義，Wang等[22]研究表明DL模型不僅可以準確分割鈣化灶，而且可以很好的鑒別良、惡性鈣化，這對于以鈣化為唯一表現(xiàn)的乳腺X線圖像有特殊意義。

Chougrad等[23]建立一種CNN模型用于鑒別乳腺X線攝影圖像中的良、惡性腫塊病變，在獨立數(shù)據(jù)集(mammographic image analysis society，MIAS)中測試分類符合率達到了98.23%，AUC達0.99。Han等[24]基于4254例良性腫塊和3154例惡性腫塊組成的乳腺超聲圖像數(shù)據(jù)集上訓(xùn)練Google Net模型對乳腺腫塊進行良惡性分類，診斷敏感度為86%，特異度為96%，符合率達到了90%。Huang等[25]構(gòu)建CNN模型在乳腺超聲圖像的基礎(chǔ)上識別乳腺病變所在區(qū)域，并且進一步對病灶進行乳腺影像報告和數(shù)據(jù)系統(tǒng)(breast imaging reporting and data system，BI-RADS)分級，在2238例乳腺腫塊超聲圖像上進行測試最終診斷BI-RADS 3類、 BI-RADS 4a類、BI-RADS 4b類、 BI-RADS 4c類以及BI-RADS 5類的符合率分別達到99.8%、94%、73.4%、92.2%及87.6%。Herent等[26]構(gòu)建DL模型在MRI的基礎(chǔ)上對乳腺腫塊進行良惡性診斷，并進一步將其分為正常乳腺、良性病變、浸潤性導(dǎo)管癌及其他惡性病變四種組織學(xué)分型，AUC為0.816。綜上所述，AI能夠在乳腺影像上實現(xiàn)良、惡性分類，并且可以進一步實現(xiàn)疾病精準分級分期，為臨床治療方案的選擇提供更加精準的指導(dǎo)。

5.分子分型預(yù)測

由于腫瘤的異質(zhì)性，乳腺癌不同亞型會影響預(yù)后以及治療方案。Richard等[27]在216位乳腺癌患者(74例luminal A，106例luminal B，13例HER2+，23例三陰性)MRI圖像的基礎(chǔ)上構(gòu)建CNN模型對乳腺癌分子分型進行預(yù)測，符合率為70%，AUC為0.853。通過影像學(xué)檢查快速、精準判斷分子分型對臨床制定個性化的治療方案有重要意義。

6.靶區(qū)勾畫

對于乳腺癌保乳患者進行放療需要精準的定位，從而辨別病變組織和正常組織，而人工勾畫病變區(qū)域需要耗費時間并且主觀性強，Men等[28]利用CNN構(gòu)建模型實現(xiàn)了乳腺癌放療靶區(qū)的自動精準分割，AI可以在乳腺CT圖像上精準定位分割病變區(qū)域，從而有助于改善放療效果與患者預(yù)后。

7.化療療效預(yù)測

Richard等[29]回顧性分析了141位乳腺癌患者行新輔助化療(neoadjuvant chemotherapy,NAC)術(shù)前MRI圖像及術(shù)后病理結(jié)果，基于乳腺癌患者NAC術(shù)前的MRI數(shù)據(jù)集構(gòu)建VCG16模型，可以實現(xiàn)在NAC術(shù)前通過MRI圖像預(yù)測患者的化療療效，符合率達到了88%。隨著訓(xùn)練數(shù)據(jù)的增加，模型的準確性也會有所提高。通過影像學(xué)檢查預(yù)測化療療效，可以指導(dǎo)臨床選擇治療方案，進一步實現(xiàn)個體化精準醫(yī)療。

8.提供額外信息

Wang等[30]通過DL構(gòu)建了在乳腺X線攝影圖像上自動檢測乳腺動脈鈣化的模型，該模型可以預(yù)測冠狀動脈鈣化的可能，從而評估發(fā)生冠心病的風(fēng)險。AI可以通過乳腺影像提供乳腺疾病以外的信息，對臨床提供更多的信息。

不足與展望

盡管AI目前在乳腺影像領(lǐng)域取得了一定進展，但是AI在醫(yī)學(xué)影像領(lǐng)域的發(fā)展也面臨許多挑戰(zhàn)。首先，由于醫(yī)療行業(yè)的特殊性，使用患者數(shù)據(jù)來訓(xùn)練AI系統(tǒng)需要通過倫理批準，同時患者隱私也需要受到保護，因此，需要建立嚴謹?shù)姆煞ㄒ?guī)來監(jiān)管AI在醫(yī)學(xué)影像領(lǐng)域的應(yīng)用。其次，目前AI的學(xué)習(xí)需要高質(zhì)量的帶標注的大量數(shù)據(jù)[31]，因此需要有統(tǒng)一的規(guī)范來進行醫(yī)學(xué)影像數(shù)據(jù)標注，對數(shù)據(jù)進行標準化處理。并且目前大多數(shù)的DL模型是基于國外的數(shù)據(jù)庫完成的[32]，這些不能完全反映我國疾病特點。第三，復(fù)合型專業(yè)人才缺乏，在我國僅有極少數(shù)醫(yī)院具備自主開發(fā)應(yīng)用的影像AI系統(tǒng)，因此需要培養(yǎng)既懂醫(yī)學(xué)又精通理學(xué)的復(fù)合型人才，基于我國的疾病特點與影像大數(shù)據(jù)學(xué)習(xí)，不斷開辟新穎的計算機算法，最終建立基于我國疾病特點的深度學(xué)習(xí)模型。

AI在醫(yī)學(xué)影像領(lǐng)域的發(fā)展也具有巨大機遇，首先，符合健康中國2030戰(zhàn)略和新一代人工智能發(fā)展規(guī)劃[33]。其次，醫(yī)療衛(wèi)生審批和監(jiān)管部門也在加速AI在醫(yī)療領(lǐng)域中的落地。2018年，F(xiàn)DA將基于乳腺成像的AI計算機輔助軟件列為Ⅱ類設(shè)備[34]，預(yù)計2019年將有一大批醫(yī)學(xué)影像AI系統(tǒng)取得合法身份。第三，影像AI驅(qū)動正從資本驅(qū)動向需求驅(qū)動轉(zhuǎn)變，在醫(yī)療大數(shù)據(jù)時代，患者數(shù)量呈指數(shù)級增長，每個患者都要收集大量的數(shù)據(jù)，海量數(shù)據(jù)的增長為AI的發(fā)展提供了無限可能[35]，影像學(xué)檢查為AI提供了豐富的影像數(shù)據(jù)，推動了AI在醫(yī)學(xué)影像領(lǐng)域的發(fā)展[36]。

AI需要通過人來控制，注定了其無法取代醫(yī)生這一職業(yè)。影像科醫(yī)生要適應(yīng)AI，擁抱AI，將AI整合到日常工作中，使其更好地輔助臨床工作[37]。隨著AI技術(shù)的不斷完善，相信在“AI+醫(yī)療”的大背景下，AI在乳腺癌影像診斷方面的應(yīng)用將有美好的前景。