乳腺癌是全世界妇女中最经常诊断的恶性肿瘤,每年有230多万例新病例。早期检测仍然是有效治疗和改善生存的基石:当乳腺癌及早发现时,五年相对存活率超过99%。医学成像——特别是乳房X光照相——是识别疾病早期迹象的主要筛查工具。最重要的乳腺造影检查发现包括:钙化、乳腺组织中微小的钙矿积,这些钙能表明原位性肿瘤(DCIS)的存在,或入侵性癌症。人工智能(AI)的最新进步导致能够使这些钙化物的检测和分类自动化,有望提高放射科医生的性能,减少诊断延误。这一文章探讨了乳腺造影在乳腺癌检测中的作用、人工阅读的挑战、人工计算机辅助检测(CAD)系统的结构、其好处和局限性以及AI在乳腺造影方面的未来。

计算在乳腺癌检测中的作用

乳腺图象上显示的是亮白的、分枝的或分枝的光谱,它们按体积、形态和分布分类。] 分枝图象往往与恶性有关,特别是当它们表现出全貌(变形和密度)或被排列成线性、分枝或分枝图象时。分枝图象是较大的、分枝图象(X)0.5毫米),而且几乎总是良性的,通常是由老化、前创伤或炎症引起的。 东北成象报告和数据系统[BI-RADS:5]将分型的分型和分布分类,以便标准化报告和指导临床决策。例如,“分型”分型的分型是良性的;“分型”分型的“分型”是中层风险分布,是高线性线性或线性线性测成象系统。

人工检测方面的挑战

阅读乳腺造影以进行钙化,是一项要求很高的视觉任务。微缩微缩可能几乎无法察觉,特别是在乳腺部背景可以掩盖损伤的密集乳腺组织中。同行评审研究始终显示辐射学家之间的差异很大:即使是有经验的读者也可能对钙化的存在、数量或怀疑产生分歧。阅读器疲劳、大量案件和时间压力也加剧了癌症(假阴性)或不必要的复发(假阳性)的风险。在美国,年均放射学家解释超过10,000个乳腺造影,以及许多欧洲国家的双重读标准做法,可以减少错误,但工作量增加了一倍。乳房成像专家的日益短缺进一步加重了系统的压力。随着人口老化和扩大的筛选建议,图像量的增加,迫切需要能够减少认知负荷和增强一致性的自动化工具。

AI 自动检测中的算法

人工智能,特别是利用神经网络的深层学习,使医学图像分析发生了革命性的变化。基于AI的CAD的计算检测系统接受了数千或数百万个附加说明的乳腺图象的培训,其中放射科医生手动标记了每个钙化组,并提供了BI-RADS类。算法学习识别与良性和恶性钙化有关的像素强度和空间安排的规律。现代系统使用U-Net等架构进行分化(外观为钙化)和ResNet或高效网络进行分类。它们可以输出每个钙化组的概率分数,并生成热图,使放射科医生能够审查可疑区域。

AI如何在侦测中发挥作用

培训过程包括几个步骤:第一,图像被预先处理,以便实现对比正常化,移除文物,并调整乳房界限。数据增强——旋转、翻转、缩放和增加噪音——人工扩大培训内容,提高培训强度。CNN学习了分级特征:早期层检测边缘和斑点,深层识别更复杂的形状和集群。在推论中,网络滑动横跨乳房图(使用滑窗或完全转动的方法)和输出一个检测图。处理后算法可以将重叠检测连接起来,消除良性钙化或皮肤钙化的假阳性,并指定一种畸形的可能性。有些系统将临床信息(如病人年龄、乳房密度、家庭历史)整合起来,以完善预测。最后产出往往显示为带有信任分数的热图或捆绑箱,放射学家可以覆盖原始图像。

AI-辅助检测的好处

  • 增加的准确性: 大规模追溯研究报告称,AI算法在癌症检测,匹配或超过平均放射学表现时,实现低于0.90的曲线(AUC)值。 具体来说,对于计算检测,假负率可以降低20-40%。
  • 时间效率:[AI可以数秒处理乳房X光图,让放射学家优先处理标注为可疑的病例,这种分解功能可以在保持敏感性的同时将读取时间减少30%.
  • 一致性:[ 与人类不同,训练有素的AI模型每次都为相同的输入提供相同的输出,这种标准化可以减少读者之间和设施之间的变异性.
  • 降低召回率: 通过帮助排除良性钙化,AI可以减少被召回的女性增加成像,降低患者焦虑和保健费用.
  • 第二读者对等:[在单读工作流程中,AI作为独立的第二读者,类似于双读,但不需要额外的放射学家.

融入临床工作流程

计算检测的AI并非旨在取代放射科医生,而是作为一种决策支持工具。

  • 同时读:] AI的叠加在主解释时与乳房图一起显示,提供实时提示.
  • 第二读取模式:放射学家先读案件,然后审查AI的调查结果,并可能调整他们的评估.
  • 旅行/筛选模式:[ AI怀疑度低的案件自动排序以减少工作量;怀疑度高的案件优先立即审查.

监管批准(如FDA许可)需要临床效益的证据。 几个基于AI的CAD设备已经获得乳房X光检查许可,目前正在进行预期研究,以衡量现实世界对癌症检测率、召回率和工作流程效率的影响。

未来方向和挑战

尽管它有承诺,但基于AI的计算检测面临障碍。数据多样性是关键:主要针对高加索人口的算法可能表现不佳,对组织密度较大或辐射性不同的妇女的乳房来说可能表现不佳。可解释性是一个主要的研究重点——辐射学家需要了解AI为什么将一个区域标出信任和按其产出采取行动。正在开发一些方法,如显赫的地图和概念归属。 管理和道德挑战[包括确保病人的隐私(特别是用云处理),以及在AI犯错误时管理责任。 与图片存档和通信系统(PACS)和电子健康记录(EHR)的结合仍然具有技术要求。

展望未来,AI可能超越钙化,将全域数字乳房X光照相法(FFDM),数字乳房通化(DBT,3D乳房X光照相法),甚至超声波和核磁共振。结合成像数据和基因组学和临床历史的多模式AI可以提供个性化的风险评估。联邦的学习-培训模式跨机构,不分享原始数据,处理隐私和数据稀缺问题。正在进行的研究还着眼于检测 architectural扭曲[ asymmeties,这些现象比钙化更难检测。随着AI模型的成熟,它们可以通过在得不到充分服务的地区提供专家层面的解析,从而帮助缩小健康差距,因为放射学家的获取有限。

最后,使用AI算法对钙化的自动检测正在改变乳房成像。 通过增加敏感性、减少假阳性以及支持放射学家在工作量增加的情况下,AI具有改善早期乳腺癌诊断并最终挽救生命的潜力。 临床医生、工程师和监管者之间的持续合作对于充分实现这一潜力至关重要。