European Radiology：新型深度学习网络在自动乳腺超声中诊断乳腺癌的表现

据统计，乳腺癌是全球范围内女性中发病率和死亡率最高的恶性肿瘤。对这种特殊的癌症进行早期诊断和治疗，有助于降低死亡率。

自动乳腺超声（ABUS）作为一种新的超声检查技术，可以克服手持式超声（HHUS）的缺点，在乳腺癌的筛查和分期中起着举足轻重的作用。对有乳腺组织致密的妇女进行补充ABUS检查，可以帮助放射科医生发现早期乳腺癌。然而，对于某些类型的恶性肿瘤，ABUS至少有3个容积图像可能导致诊断错误。

近年来，人工智能（AI）方案有望通过ABUS促进乳腺癌的早期筛查。深度学习（DL）是机器学习（ML）和人工智能的一个子集，通过自学能力从图像中提取复杂的层次结构的特征。深度学习网络（DLNs）因其快速、准确、可重复等优点，在图像诊断和预测方面有广泛的帮助[。DLN的典型代表是卷积神经网络（CNN），一直是图像分析中模式识别和计算机视觉应用最流行的方法。CNN的出色性能已被证明在某些任务中随着深度的增加而增加，近年来已被应用于ABUS成像分析。

近日，发表在European Radiology杂志的一项研究开发了一种新型的应用于ABUS成像分析的DLN模型，并将其与放射科医生对乳腺癌的ABUS诊断性能进行了比较。

本研究共入选769个乳腺肿瘤，按600比169随机分为训练集和测试集。新型DLNs（Resent v2、ResNet50 v2、ResNet101 v2）在传统的ResNet网络基础上增加了新的ASN，并提取了乳腺肿瘤的形态学信息。计算了准确性、敏感性、特异性、阳性预测值（PPV）、阴性预测值（NPV）、AUC和平均精度（AP），并将新型DLN的诊断性能与两位具有不同经验的放射科医生的诊断性能进行了比较。 

ResNet34 v2模型的特异性（76.81%）和PPV（82.22%）高于其他两个模型，ResNet50 v2模型的准确性（78.11%）和NPV（72.86%）更高，而ResNet101 v2模型的敏感性（85.00%）更高。根据AUCs和APs，与其余五个DLN相比，新颖的ResNet101 v2模型产生了最好的结果（AUC 0.85和AP 0.90）。与放射科年轻意识相比，新型DLNs的表现更好。三个新型DLNs的F1得分从0.77提高到0.78、0.81和0.82。然而，他们的诊断性能比有经验的放射科医生的诊断性能差。 

图 ABUS图像和特征图在乳腺病变上进行乳腺肿瘤分割的可视化。A ABUS检测到右乳上象限的低回声病变（箭头）。冠状视图显示了适当的乳头位置（白点）。B 良性病变的乳腺肿瘤分割的特征图可视化。C ABUS在左乳的上象限检测到一个低回声病变（箭头）。冠状视图显示正确的乳头位置（白点）。D 恶性病变上的乳腺肿瘤分割的特征图可视化

本研究开发了一个新的分割网络来获得乳腺病变的形态学信息。在传统分类网络的基础上，将新的分割网络加入到传统网络中形成了新型DLNs。从AUC和AP值来看，新型DLNs在ABUS诊断乳腺癌方面比传统DLNs表现更好，有助于放射科年轻医师提高其诊断性能及诊断信心。

原文出处：

Qiucheng Wang,He Chen,Gongning Luo,et al.Performance of novel deep learning network with the incorporation of the automatic segmentation network for diagnosis of breast cancer in automated breast ultrasound.DOI:10.1007/s00330-022-08836-x