Artificial intelligence in breast ultrasound

Artificial intelligence(AI) is gaining extensive attention for its excellent performance in image-recognition tasks and increasingly applied in breast ultrasound. AI can conduct a quantitative assessment by recognizing imaging information automatically and make more accurate and reproductive imaging diagnosis. Breast cancer is the most commonly diagnosed cancer in women,severely threatening women's health, the early screening of which is closely related to the prognosis of patients. Therefore, utilization of AI in breast cancer screening and detection is of great significance, which can not only save time for radiologists, but also make up for experience and skill deficiency on some beginners. This article illustrates the basic technical knowledge regarding AI in breast ultrasound, including early machine learning algorithms and deep learning algorithms, and their application in the differential diagnosis of benign and malignant masses. At last, we talk about the future perspectives of AI in breast ultrasound.

超声人工智能联合剪切波弹性成像用于乳腺结节良恶性鉴别诊断临床研究

目的:探讨超声人工智能(AI)联合剪切波弹性成像(SWE)在乳腺结节良恶性鉴别诊断中的临床效能。方法:回顾性分析200例乳腺良恶性肿瘤患者(共206个结节)的数据,所有病灶均接受SWE及超声AI检查。结果:经病理组织学检查确诊恶性肿瘤98个(47.57%),良性肿瘤108个(52.43%)。乳腺恶性病灶的弹性模量相关指标及AI辅助评分均显著高于良性病灶(P<0.05)。ROC曲线分析显示,SWE与超声AI在乳腺结节良恶性鉴别诊断中均有效,且二者联合使用的效能优于单一指标(P<0.05)。结论:超声AI与SWE联合使用可提高乳腺结节良恶性的鉴别诊断效能。

人工智能在乳腺癌超声诊疗中的应用进展

超声是乳腺癌临床诊疗中最常用的影像学手段。随着人工智能(AI)的发展,机器学习、深度学习和卷积神经网络已用于开发基于超声影像特征的辅助诊断及预测工具。就AI在乳腺癌的筛查和诊断,及其在腋窝淋巴结转移、分子分型、新辅助化疗疗效的预测等超声诊疗中的应用进展进行综述。

2013年版超声BI-RADS出版10年:回顾与展望

自2013年美国放射学会出版第二版乳腺影像报告和数据系统(Breast Imaging Reporting and Data System,BI-RADS)后,乳腺超声的临床实践与科学研究均从中获益。本文总结了2013年版超声BI-RADS出版这10年间,乳腺超声影像技术临床应用与革新、存在的问题与面临的挑战及未来的发展机遇,以期为临床诊治、指南推广与应用提供帮助。

人工智能在乳腺癌影像筛查领域的应用进展

乳腺癌是女性常见的恶性肿瘤之一,严重威胁着女性的身心健康。早发现、早诊断、早治疗是改善乳腺癌预后的关键。因此,基于影像学检查的乳腺癌筛查尤为重要。近年来,人工智能(AI)在医学图像分析领域的研究受到前所未有的热情,显示出巨大潜能。因此,本文将对AI在乳腺癌影像筛查工作中的应用研究及面临的挑战进行综述。

基于人工智能的超声影像组学在乳腺癌诊疗中的研究进展

乳腺癌的精准诊疗对改善患者预后具有重要意义。超声普遍应用于乳腺癌的筛查、诊断和疗效评价中。超声影像组学是利用高通量方法从超声图像中提取大量的特征,反映肿瘤的微观变化和生物学行为。基于人工智能的超声影像组学模型逐步应用于乳腺癌的诊疗评估中,旨在助力乳腺癌的精准诊疗。本文简要介绍了基于人工智能的超声影像组学在乳腺癌筛查诊断、分子分型、腋窝淋巴结转移评估、新辅助治疗效果评估方面的研究进展,并讨论该技术应用的局限性、挑战和未来发展方向。

人工智能在乳腺癌影像诊疗中的研究进展

乳腺癌是全球最常见的癌症之一,也是导致女性癌症死亡的主要原因。近年来,随着计算机性能的飞速提升,人工智能在各个领域中大放异彩,拥有自动分析图象能力的人工智能深度学习在医疗领域同样引起越来越多的关注,医疗机构开始重视医疗数据的收集,尤其是大量的医学影像资料的积累。当前对于乳腺疾病的常规影像学检查方法主要有3种:乳腺X线摄影、乳腺超声检查和乳腺MRI检查。人工智能结合乳腺影像学检查为乳腺癌的诊疗提供了前所未有的机会。本文现从人工智能和乳腺影像数据相结合在乳腺癌的诊断、治疗及预后预测等方面进行综述,以期将人工智能更加广泛、成熟地运用于乳腺癌的影像诊疗中,为推动人工智能结合乳腺影像数据实现乳腺癌精准医疗由理论到临床实践的转化应用提供思路。

基于改进型YOLO网络目标检测算法在乳腺肿瘤超声图像检测中的应用研究

目的:实现基于改进型YOLO网络目标检测算法(YOLO算法)模型对乳腺肿瘤超声图像的检测方式优化升级。方法:选取Kaggle数据库上659幅乳腺肿瘤图像作为初始数据集,采用图像标注工具Labelimg对图中检测目标进行预标注,依照7∶3的比例将659幅图像中的629幅图像划分为训练集与验证集,其余30幅图像作为测试集,对原YOLO算法引入卷积块注意力模块(CBAM)与双向特征金字塔网络(BiFPN)进行结构化改良并命名为YOLOv5-BiFPN-CBAM。将训练集与验证集置入原YOLO算法模型与YOLOv5-BiFPN-CBAM模型进行训练并经200轮迭代训练,将所得最佳权重文件用于测试集的最终化检验。结果:两种模型经过200轮迭代训练后,经验证集检验,两种模型对所有乳腺肿瘤超声图像检测的平均精度均值分别为72.1%和80.5%,将改良模型的最佳权重文件经测试集测试,改良模型相较于原始模型对图像中小目标的检测能力得到显著提升。结论:改进型YOLO算法模型与原YOLO算法模型相比,具有更高的对图像的识别度,同时提高了对乳腺肿瘤超声图像中小目标识别的精度与灵敏度,有助于提高临床中乳腺肿瘤的诊断效能。

多模态超声联合人工智能S-Detect技术对BI-RADS 4类乳腺结节的诊断分析

目的:分析多模态超声联合人工智能S-Detect技术对乳腺影像报告数据系统(BI-RADS)4类乳腺结节的诊断价值。方法:回顾性收集2020年9月-2024年3月我院收治的62例乳腺病变患者,统计分析所有患者的临床资料,对比不同诊断方法的诊断结果,以病理诊断为金标准,分析多模态超声联合人工智能S-Detect技术对BI-RADS 4类乳腺结节的诊断效能。结果:恶性乳腺结节的超声造影特征为:高增强、增强方式呈向心性、内部回声不均匀、形态不规则、边缘不清晰、存在周边放射状血管及增强后病灶体积增大。本组62例患者共76个乳腺结节,病理结果显示42个结节为恶性,34个结节为良性;常规超声诊断出34个恶性,敏感度为71.43%,特异度为88.24%,准确率为78.95%;人工智能S-Detect技术诊断出39个恶性,敏感度为76.19%,特异度为79.41%,准确率为77.63%;多模态超声诊断出44个恶性,敏感度为85.71%,特异度为76.47%,准确率为81.58%;多模态超声联合人工智能S-Detect技术诊断出45个恶性,敏感度为95.24%,特异度为85.29%,准确率为90.79%,其中多模态超声联合人工智能S-Detect技术检查的诊断结果与病理结果的一致性最高,Kappa值为0.812。ROC曲线对比分析显示,多模态超声联合人工智能S-Detect技术的诊断效能与单纯常规超声、人工智能S-Detect技术、多模态超声比较均有统计学意义(Z=0.275/2.603/2.083,P=0.023/0.009/0.037)。结论:相较于单一超声、多模态超声、人工智能S-Detect技术,多模态超声联合人工智能S-Detect技术诊断BI-RADS 4类乳腺结节的诊断效能较高,其诊断结果与病理结果高度一致。

基于深度学习的超声图像识别在产前筛查中的应用

超声由于其无辐射、操作方便等优点已经成为产前筛查的最主要的成像模态之一,广泛应用于整个孕期。随着人工智能的快速发展,基于深度学习的超声图像识别在产前筛查的应用中得到了广泛研究,在胎儿颅脑、心脏等结构的识别及胎儿异常识别等方面,表现出较大优势。该技术可以提高产前超声检查效率、提高胎儿异常检出率、优化医疗服务质量,提高专业水平和患者满意度;且有助于改善农村地区或低收入国家医疗保健,支持现有临床操作,改善工作流程。该文对基于深度学习的超声图像识别在产前筛查中的应用进行综述。

多模态超声联合深度学习技术在乳腺癌诊治中的研究进展

女性乳腺癌发病率较高,常规超声作为关键的筛查工具,对于降低乳腺癌病死亡率至关重要。近年来,多模态超声(如超声弹性成像、自动乳腺全容积扫描、对比增强超声)以及人工智能技术可全面评估乳腺癌,显著提高乳腺癌的检出率和诊断的准确性。而深度学习技术在数据分析中也表现出巨大潜力。未来深入研究多模态超声联合深度学习在乳腺癌中的应用,可以优化乳腺癌的检测和治疗决策,改善患者预后。

联合C-TIRADS指南的超声辅助诊断模型对甲状腺癌筛查的应用价值

目的探讨联合甲状腺结节超声恶性危险分层中国指南(Chinese-Thyroid Imaging Reporting and Data System,C-TIRADS)构建的超声辅助诊断模型对甲状腺结节良恶性筛查的应用价值。方法回顾性分析2022年4月—2023年4月在江门市五邑中医院进行超声检查并明确病理结果的甲状腺结节患者(共136例患者,180个病灶),依据C-TIRADS指南对甲状腺结节进行分类评估,然后使用AI辅助诊断联合C-TIRADS再次进行分类评估,以病理结果为金标准,绘制C-TIRADS诊断与AI联合C-TIRADS诊断的ROC曲线,比较两种诊断方法的AUC及敏感度、特异度、准确度等指标,分析两组指标差异。绘制校准曲线和DCA曲线进行验证对比,评价其校准能力和临床效用。结果180个甲状腺结节病灶经手术病理证实良性87个,恶性93个。C-TIRADS诊断与AI联合C-TIRADS诊断对甲状腺结节良恶性诊断的AUC分别为0.714、0.800,AI联合C-TIRADS诊断明显高于C-TIRADS诊断,差异有统计学意义(P<0.001)。两种诊断方法均有良好的校准能力和临床效用,AI联合C-TIRADS诊断较C-TIRADS诊断更优。结论联合C-TIRADS的AI辅助诊断模型在甲状腺结节良恶性的诊断中具有良好的诊断效能、校准能力及临床效用,能有效减少甲状腺结节的过度诊疗,对临床决策有一定参考意义。

人工智能在乳腺超声教学中的应用价值

随着超声仪器分辨率提高和乳腺超声成像报告和数据系统(breast imaging reporting and data system,BIRADS)在乳腺结节诊断中的规范应用,超声已成为我国目前公认的诊断乳腺疾病的影像学检查手段之一。由于超声医学实践性较强,所以要求带教老师在教学过程中不仅要注重理论教学,更要重视实践教学。传统的教学模式存在不足,迫切需要新的教学模式应用于乳腺超声教学。近年来,人工智能(artificial intelligence,AI)发展日新月异,逐步应用于教学活动。人工智能是计算机科学的分支,是研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新兴技术科学。将AI应用于乳腺超声教学是最具发展前景的领域,更新教育方式,创新教学理念,顺应时代发展潮流。文章从乳腺超声教学的现状、人工智能的发展现状、人工智能在乳腺超声教学中的优势及局限性四个方面详细阐述了人工智能在乳腺超声教学中的应用价值。

人工智能在乳腺癌超声诊断中的应用进展

乳腺癌是女性癌症致死的主要原因,早诊断、早治疗对改善患者预后十分重要。超声是乳腺癌首选的影像学检查方法,但准确率差异较大,增加了乳腺癌的漏诊、误诊风险。人工智能采用特定的算法对超声影像进行智能处理,通过训练和优化算法,从而开发高精度、高效率的乳腺癌识别模型。目前计算机辅助检测手段在乳腺癌超声中的应用逐渐得到推广,人工智能的联合应用在乳腺疾病超声诊断领域发挥了缩短检查时间、有效提高检出率及诊断准确率等优势作用。本文主要就人工智能在乳腺癌超声诊断方面的应用现状及其临床应用潜力进行综述。

人工智能辅助超声对中国女性乳腺病灶识别的有效性研究

背景与目的:人工智能(artificial intelligence,AI)技术可辅助影像学诊断。本研究探讨AI辅助超声对中国女性乳腺病灶的识别能力及其应用于乳腺癌筛查的可能性。方法:采用平行对照诊断性试验和前瞻性随访的研究设计,纳入至肿瘤专科医院就诊、并行乳腺超声检查的非乳腺癌女性。所有女性首先接受AI辅助超声检查,然后接受常规超声检查,比较AI辅助超声和常规超声识别乳腺病灶的差异;随访1年内乳腺癌发生情况,比较两种超声方式诊断乳腺癌的灵敏度和特异度。结果:研究纳入360人,共发现2504个乳腺病灶,其中AI辅助超声报告2217个病灶,病灶报告率为88.5%;常规超声报告1090个病灶,病灶报告率为43.5%。以常规超声为标准,AI辅助超声识别乳腺影像报告和数据系统(Breast Imaging Reporting and Data System,BI-RADS)4级以上乳腺病灶的灵敏度为93.3%(95%CI:80.7%~98.3%),特异度为100.0%(95%CI:99.5%~100.0%);随访发现10例乳腺癌,AI辅助超声和常规超声均判定为阳性的有8例,灵敏度均为80.0%(95%CI:44.2%~96.4%),特异度均为88.6%(95%CI:84.6%~91.6%)。结论:AI辅助超声对于BI-RADS 4A以上的高危乳腺病灶及早期乳腺癌的识别能力与常规超声相当,是一种有效的乳腺癌辅助诊断手段,并具有应用于人群乳腺癌筛查的潜力。

基于超声的人工智能在乳腺癌新辅助化疗疗效预测中的研究进展

乳腺癌是全球女性常见的癌症之一,术前新辅助化疗可缩小肿瘤、降低临床分期和减轻腋窝淋巴结转移负荷。近年来,人工智能技术日趋成熟,本研究就基于超声的人工智能在乳腺癌新辅助化疗疗效预测的研究作一综述,并讨论其发展面临的挑战。

近5年超声新技术在乳腺癌预后评估中的研究进展

乳腺癌是全球女性癌症死亡的首要原因,精准医疗、改善预后局面至关重要。乳腺癌肿瘤异质性很强,术前评估影响预后的因素可指导临床选择治疗方案和监测疗效。近几年,剪切波弹性成像、超声造影、三维超声、超声影像组学、人工智能乳腺超声等超声新技术在无创评估乳腺癌预后方面取得了令人满意的进展。本文就乳腺癌的预后因素及其临床意义、近5年超声新技术诊断乳腺癌特征与预后因素的相关性研究进展进行综述。

基于真实世界数据的乳腺超声人工智能诊断和X射线钼靶摄影检查在早期乳腺癌筛查中的对比研究

目的:在早期乳腺癌筛查中应用超声人工智能(AI)诊断联合乳腺X射线钼靶摄影检查(简称钼靶检查),并对其在乳腺癌筛查中的诊断价值进行分析研究。方法:选取在医院治疗的72例疑似乳腺癌患者,所有患者均已先后进行超声及乳腺钼靶检查并获得相关图像及视频,超声图像分别由低年资医师盲评和基于AI的计算机辅助系统(CADS)判读诊断,并将诊断结果分为超声图像盲评组、超声图像盲评联合钼靶检查组和超声AI诊断联合钼靶检查组,以手术病理结果为“金标准”,分析比较3组的诊断效能。结果:72例患者经手术确诊阳性56例,阴性16例,超声图像盲评组诊断灵敏度、特异度和准确率分别为78.57%、75%和77.78%;超声图像盲评联合钼靶检查组分别为89.29%、87.50%和88.89%;超声AI诊断联合钼靶检查组分别为96.43%、93.75%和95.83%。超声AI诊断联合钼靶检查组的诊断灵敏度、特异度和准确率明显高于低年资医师单独诊断,差异有统计学意义(x^(2)=17.28,x^(2)=7.47,x^(2)=25.04;P<0.05)。结论:在AI辅助下,超声联合乳腺钼靶检查的诊断能力能够得到提升,更具应用价值。

基于深度学习技术对三阴性乳腺癌的多模态影像学研究

目的 对比研究数字乳腺X线摄影(DM)在联合人工智能诊断系统(AI)后与超声(US)、动态增强MRI(DCE-MRI)等影像学检查对三阴性乳腺癌(TNBC)的诊断效能,并评估AI的作用。方法 收集TNBC 42例,乳腺良性病例68例,所有病例均有完整术前的DM、US和DCE-MRI检查资料。回顾乳腺DM、US与DCE-MRI影像资料,各得出一组诊断结果;另由AI、AI联合医师分别对DM图像进行诊断,得出两组结果。对比分析5种诊断方法的受试者工作特征曲线、曲线下面积(AUC)、特异度、敏感度、阳性预测值和阴性预测值,并对比各诊断方法的一致性。结果 各诊断方法的AUC值中DM(医师)组最低,而DM(AI+医师)组AUC值最高,为0.770,优于US、DCE-MRI;DCE-MRI与US检查的敏感度最高,但其特异度较差。结论 此研究中DM(医师)联合AI可以有效提高其对三阴性乳腺癌的诊断效能,其综合诊断效能略优于磁共振检查。

自动乳腺容积超声技术在乳腺癌中的临床应用进展

作为新型的三维扫描技术,自动乳腺容积超声技术最初应用于乳腺癌的筛查。其具有自动扫描和数字存储等特点,可克服传统手持超声重复性差和依赖性强等问题。自动乳腺容积超声技术除了可筛查乳腺X线检查阴性及无症状的致密型乳腺女性外,在乳腺良恶性肿瘤诊断中也有应用。其三维重建的冠状面图像信息可以为鉴别乳腺良恶性肿瘤提供新思路,在测量病灶大小、评估新辅助化疗效果、预测分子分型等方面的作用已成为目前研究的热点。此外,评估乳腺密度完善乳腺资料、开发弹性成像功能增加诊断信息等也将成为未来研究的新方向。