基于深度学习乳腺X线摄影钙化识别分类模型的临床应用价值

【目的】引入基于深度学习乳腺X线摄影钙化识别及分类模型,探讨深度学习技术对钙化灶的准确识别、分类和临床应用价值。【方法】采用多中心乳腺X线检查数据,分别由高-初级诊断医生及两名初级诊断医生采用不结合及结合深度学习模型进行病灶评估,评价其诊断效能。【结果】引入深度学习模型识别钙化灶能力与高-初级诊断医生及两名初级诊断医生识别钙化灶能力相仿(漏检率分别为0.81%vs.0.65%,1.14%vs.1.63%,P>0.05),深度学习模型能够有效帮助高-初级诊断医生(灵敏度0.926,AUC0.81,P=0.014)及两名初级诊断医生(灵敏度0.896,AUC0.79,P=0.049)检出可疑恶性钙化灶,特别是在良性病变中的准确率提升作用明显。【局限】仍需更多前瞻性多中心数据验证模型稳健性,也需引入不同深度学习模型比较其临床应用价值。【结论】深度学习模型有助于乳腺X线摄影钙化识别及分类评估,有助于乳腺癌大规模筛查背景下提供辅助诊断及临床策略支持。

基于深度学习的乳腺X线摄影肿块检测系统的应用

目的探讨基于深度学习(DL)的乳腺X线摄影肿块检测系统的临床应用价值。资料与方法回顾性分析2019年4—12月深圳市人民医院1755例接受乳腺X线摄影检查的患者资料。由DL系统和2名初级职称医师采用盲法独立阅片,比较DL系统与2名医师对肿块病灶检出的敏感度,并分析患者年龄、乳腺密度分类、乳腺影像报告和数据系统分类、肿块形态、边缘、密度、大小对于DL系统及2名初级职称医师肿块检出准确度的影响。结果共检出肿块324例(618个肿块),2名医师及DL系统分别检出肿块277例(519个肿块)、268例(482个肿块)、284例(533个肿块)。DL系统及2名医师对于肿块检出的敏感度分别为86.25%、83.98%、77.99%,DL系统对于不同乳腺密度分类的肿块检出差异无统计学意义(χ^(2)=3.04,P>0.05),而2名医师的差异有统计学意义(χ^(2)=9.39、8.96,P<0.05)。DL系统对于不同患者年龄、肿块形态、边缘、密度、大小及乳腺影像报告和数据系统分类的肿块检出差异均有统计学意义(χ^(2)=15.28、41.70、58.67、53.22、28.83、53.75,P<0.05)。结论基于DL的乳腺X线摄影肿块检测系统对肿块病变检测不受乳腺密度的影响,可辅助医师减少因腺体致密造成的肿块漏诊。

基于深度学习的乳腺X线摄影的临床应用价值

乳腺X线摄影是乳腺癌筛查的有效手段,但具有一定局限性。人工智能(AI)具有提取图像特征并分析的强大能力,是推动未来智能医学影像进步的核心技术。近年来深度学习(DL)在乳腺X线摄影上的应用迅速发展,能够提高医生的工作效率、诊断准确率并降低漏诊率。对基于DL的乳腺X线摄影在乳腺癌筛查、临床诊断及风险评估中的应用价值和发展前景予以综述与展望。

基于乳腺X线摄影的深度学习技术鉴别乳腺影像报告和数据系统3类与4类疾病的价值

目的探讨基于乳腺X线摄影的深度学习技术鉴别乳腺影像报告和数据系统(BI-RADS)3类与4类疾病的价值。方法回顾性分析2020年1至12月在深圳市人民医院及深圳市罗湖区人民医院乳腺X线摄影评估为BI-RADS 3类及4类305例患者的临床及影像资料。305例患者共314个病灶, 均为女性, 年龄21~83(47±12)岁。按1∶1比例交叉、简单随机分配给2名工作经验分别为5年及6年普通影像诊断医师(普通医师A、普通医师B)和2名工作经验均为21年且经过专业乳腺影像培训的乳腺影像诊断医师(专业医师A、专业医师B)单独阅片, 之后分别结合深度学习系统再次阅片, 最终将乳腺病变重新分为BI-RADS 3类或4类。采用受试者操作特征曲线及曲线下面积(AUC)评价诊断效能, 以DeLong法比较AUC的差异。结果普通医师A结合深度学习系统重新分类BI-RADS 3类与4类乳腺病灶的AUC较普通医师A单独诊断明显提高(AUC分别为0.79、0.63, Z=2.82、P=0.005);普通医师B结合深度学习系统重新分类BI-RADS 3类与4类乳腺病灶的AUC较普通医师B明显提高(AUC分别为0.83、0.64, Z=3.32、P=0.001)。专业医师A结合深度学习系统与专业医师A、专业医师B结合深度学习系统与专业医师B重新分类BI-RADS 3类与4类乳腺病灶的AUC差异均无统计意义(P>0.05)。结论基于乳腺X线摄影的深度学习系统辅助普通医师鉴别BI-RADS 3类与4类疾病的效能更显著。

基于深度学习乳腺X线摄影联合自然语言处理预测不同病理进展期乳腺导管原位癌预后研究

目的建立预测不同病理进展期乳腺导管原位癌(DCIS)预后的模型, 并评估其效能。方法回顾性分析2014年11月至2020年12月深圳市人民医院、北京大学深圳医院、深圳市罗湖区人民医院接受乳腺X线摄影检查的273例不同进展期乳腺DCIS患者的完整病例资料。患者均为女性, 年龄26~86(49±11)岁。其中110例纳入单纯DCIS+乳腺导管原位癌伴微浸润(DCIS-MI)组, 163例纳入浸润性导管癌伴导管原位癌(IDC-DCIS)组, 对患者临床、影像及病理特征进行分析。影像特征提取采用乳腺Mammo AI融合模型及基于深度学习的自然语言处理(NLP)技术的诊断报告结构化模型。对各组患者按照6∶4比例通过Python软件随机分为训练集和验证集, 以单因素分析和多因素logistic回归分析筛选预测因子, 选择赤池信息量准则值最小者构建预测模型。绘制受试者操作特征曲线评估预测模型效能。结果单纯DCIS+DCIS-MI组以雌激素受体(-)或人表皮生长因子受体2(3+)为预后不良参考标准, 预后不良62例, 预后良好48例;IDC-DCIS组以诺丁汉预后指数为参考标准, 预后不良33例, 预后中等73例, 预后良好57例。单纯DCIS+DCIS-MI组中, DCIS核分级、乳腺X线摄影可疑形态钙化、DCIS病理亚型、伴微浸润共4个预测因子被用于建立模型;IDC-DCIS组中, 神经/脉管侵犯、Ki67水平、DCIS分子亚型、DCIS成分占比、乳腺X线摄影伴随征象共5个预测因子被用于建立模型。训练集中模型预测单纯DCIS+DCIS-MI预后不良的曲线下面积(AUC)为0.92(95%CI 0.84~1.00), 验证集中为0.90(95%CI 0.82~0.99);训练集中模型预测IDC-DCIS预后不良的AUC为0.84(95%CI 0.76~0.93), 验证集为0.78(95%CI 0.64~0.91)。结论基于深度学习联合NLP所建立的模型能有效预测不同病理进展期DCIS预后状态, 有利于DCIS风险分层, 为临床决策提供参考。