乳腺学中的AI的当前景观

人工智能已经从实验研究转移到许多地区的乳房X光检查临床实践。 美国食品和药物管理局(FDA)等监管机构已经清理了多个基于AI的软件包,用于乳腺癌筛查,并允许它们与放射学家一起部署。 这些系统通常使用深层的学习神经网络,通过成千上万的乳房X光图像来学习与恶性损伤、建筑扭曲和微分解有关的模式。 技术不是用来取代人类阅读器,而是作为第二读物或三进制工具,标出高优先度病例,以便立即审查,并减少放射学家的认知负荷。

AI系统如何分析乳房图

AI模型将每个乳房X光图分解成数千个微小的图像补丁,并指定癌症存在的概率分数。这个系统然后将热图或边框覆盖在可疑区域。放射学家可以审查这些提示,决定是否需要进一步的检查。现代AI工具也用于前期检查,将当前图像与前期图像进行比较,以检测人类眼睛可能错过的微妙间隔变化。这一时间分析在乳房密集组织中特别有价值,因为在那里,损伤可以模糊,人类的敏感性下降。

培训数据和鉴定

任何AI算法的性能都在很大程度上取决于其培训数据的质量和多样性。 领导系统都接受过包含来自多个种族、乳腺密度和成像设备制造商的乳房X光学培训。 验证研究必须不仅显示高敏感性和特殊性,而且显示不同临床环境的强健性。 独立研究,如在Radiology 和JAMA网络开放中报告的研究,表明AI可以匹配或超过单一放射学家的检测率,同时减少虚假阳性记忆。 例如,一项具有里程碑意义的追溯研究利用英国国家卫生服务的数据发现AI可以降低近50%的放射学家工作量,而不影响癌症检测。

AI融合的临床利益

将AI编织到筛选工作流程中,

  • 间距癌的减少: 间距癌是指在计划筛查之间出现的间距癌. 研究表明AI可以识别出后来可能成为间距癌的微妙发现,允许更早的干预.
  • 读者之间的一致性: 放射学家的诠释可以因疲劳,经验,或白天的时间而变化. AI提供了一致的基准,减少了阅读者之间的变异性,并提高了总体的程序质量.
  • 工作流程优化:AI可以将乳房X光图分为正常的,良性的,可疑的类别. 在许多节目中,正常病例由一位放射学家在AI审核后阅读,而可疑病例则由专家双读或复核. 分层可以缩短女性异常发现的周转时间.
  • 支持乳房密度评估:[ 精确乳房密度测量很重要,因为密集组织既是风险因素,又是遮掩因素. AI可以自动指定BI-RADS密度类别,帮助实现报告标准化.

现实世界的执行和成果

几个大规模试验方案证明了人工智能辅助乳房X光检查的可行性,在瑞典,人工智能乳房X光检查试验(MASAI)招收了80 000多名妇女,并报告说人工智能支持的检查检测出癌症比标准双读高20%,而且有类似的假阳性;在丹麦,南丹麦地区在多家医院安装了人工智能解决方案,观察到癌症检测增加了15%,同时降低了复诊率;这些现实世界的结果增强了人工智能在人口筛查中提高敏感性和特殊性的潜力。

管制和偿还考虑

监管部门的许可是临床使用的先决条件。 FDA对基于AI的医疗器械的做法已经发展,许多乳腺造影AI产品在De Novo分类路径下被清理。 在欧洲,医疗器械条例下的CE标识是必需的。 报销在许多国家仍然是一个障碍;然而,美国医疗保健和amp;医疗援助服务(CMS)最近为AI辅助读取乳腺造影制定了新的附加支付代码,这标志着人们越来越认识到技术的价值。 随着更多关于成本效益和病人结果的证据的积累,报销政策可能会扩大。

挑战和道德考虑

将AI纳入乳房X光检查并非没有风险和挑战:

  • 算法偏差: 如果训练数据集代表某些人群(例如影响乳房X光镜对比的皮肤色调较深,或乳房密度极高的妇女),AI性能可能对这些人群来说不尽人意,持续的审计和再培训是必不可少的.
  • 数据隐私:[]AI系统需要访问大量成像数据,并经常依赖云处理. 遵守美国HIPAA和欧洲GDPR要求强大的数据解识别和安全传输协议.
  • 过度依赖和清除:[] 严重依赖AI提示的放射学家可能不太适合检测算法缺失的微妙发现。通过定期无助阅读来保持强大的独立阅读技能是可取的。
  • 责任和问责制: 当AI系统提出虚假的否定性或虚假的肯定性建议时,确定责任——无论是与放射学家、医院还是AI供应商的责任——在法律上都是复杂的,需要明确的准则。
  • 与现有IT系统的整合:[AI算法必须插入图片存档和通信系统(PACS)和放射信息系统(RIS). 不兼容性和延迟性问题如果不认真管理,可能干扰工作流程.

未来方向:个性化筛选及以后

展望未来,AI在乳房X光检查中的作用可能超越图像解释。 研究人员正在开发将遗传风险因素、家庭历史、生活方式数据和前期成像相结合的模式,以产生个性化的筛查建议。 比如,基因风险低且前期乳房X光检查始终正常的妇女,可以每两年而不是每年安全地筛查一次,同时,高风险个人可以接受核磁共振或对比性增强乳房X光检查。AI还可以预测患间歇癌的可能性,指导补充筛查决定。

AI 乳房成像中的乳房外膜造影

AI也应用于其他乳房成像模式,如数字乳房结膜(DBT),超声波,核磁共振. 在DBT中,AI可以通过将可疑区域标注为3D卷来减少放射科医生必须卷过的小片数量. 对于乳房核磁共振,AI模型可以评估肿瘤对新adjuvant化疗的反应,预测病理全应反应. 这些互补应用将创造一个全面的AI生态系统,用于乳腺癌的检测和监测.

结论:可变但小心前进的道路

人工智能正在通过提高检测率、减少工作量和早期干预来重新塑造乳房X光检查方案。 大型试验和临床应用的实实在在的证据支持其有效性,而监管机构则正在清理更多的产品以供使用。 然而,成功采用需要认真关注偏倚、隐私、工作流程整合和持续验证。 随着技术的成熟,基于个人风险的筛选策略有可能成为标准,从而进一步增强对人口健康的影响。 最终目标依然不变:通过更早、更准确的乳腺癌检测拯救生命,而AI正在证明是这项任务的强大盟友。

关于进一步解读: 参见FDA的AI辅助医疗器械清单,MASAAI试验结果为放射学[,以及JAMA网络开放中对AI在各种人群中的性能的回顾.