Eur Radiol：深度学习与CESM的强强组合，实现乳腺癌的无创组织学分析！

在世界范围内，乳腺癌占所有性别和年龄的癌症的11.6%。对比增强光谱乳腺成像（CESM），也称为对比增强双能量乳腺成像（CEDM），是一种新兴的影像学技术，其通过使用静脉注射碘对比剂来评估乳腺病变的新生血管，以进一步评估病变的良恶性。

研究表明，CESM在检测致密乳腺中的原发性乳腺癌的敏感性和特异性方面都优于FFDM，且与乳腺磁共振成像（MRI）相比，CESM也有类似的敏感性和特异性。

一项国际研究已经表明，深度学习模型可以成功地用于FFDM的原发性乳腺癌筛查。人机结合的性能相当于传统的双读过程，但将第二个读者的工作量减少了88%。然而，在临床实践中使用还需要更多的工作进行验证及评估。

近日，发表在European Radiology杂志的一项研究评估了深度学习模型描述CESM上的乳腺恶性病变的能力，为乳腺癌的快速准确诊断提供了心的技术支持。

本项回顾性单中心研究包括经活检证实的乳腺浸润性癌症，每个病灶都在CESM上有增强。CESM图像包括可与数字乳腺摄影相媲美的低能量图像（LE）和显示肿瘤血管生成的双能量减法图像（DES）。对每个病变检索了组织学类型、肿瘤等级、雌激素受体（ER）状态、孕激素受体（PR）状态、HER-2状态、Ki-67增殖指数和侵入性肿瘤的大小。使用的深度学习模型是一个基于CheXNet的模型，并在CESM数据集上进行了微调。对不同的模型计算了接受者工作特征（ROC）曲线下的面积（AUC）。 

总共包括了在CESM上检测到的447个有病理证实的浸润性乳腺癌，涉及389名患者，包括了2460张分析图像。关于ER，DES图像上的深度学习模型在逐个图像分析中的AUC为0.83，在多数投票中为0.85。对于三阴性分析，所有模型的AUC都很高，特别是LE图像上的模型，逐个图像分析的AUC为0.90，多数投票的AUC为0.91。其他组织诊断因素的AUC则较低。 

 
深度学习系统在DES（a）和LE图像（b）上逐个图像的诊断性能，然后对所有图像同时进行诊断（c）

本研究结果表明，对CESM的深度学习分析对乳腺肿瘤进行组织学分析，特别是雌激素受体状态和三阴性受体状态，为临床快速提供准确的预后和预测信息。

原文出处：

Caroline Dominique,Françoise Callonnec,Anca Berghian,et al.Deep learning analysis of contrast-enhanced spectral mammography to determine histoprognostic factors of malignant breast tumours.DOI:10.1007/s00330-022-08538-4.