European Radiology：人工智能，让乳腺MR非肿块样增强病变的诊断更有底气！

在第五版乳腺成像报告和数据系统（BI-RADS）中，非肿块样增强（NME）病变被定义为乳腺MRI上没有占位效应的小或大的增强区域。NME病变占乳腺病变的17.8%，其中42.7%为乳腺癌。NME病变是乳腺导管原位癌（DCIS）的主要表现，但也可在腺病、乳头瘤和乳腺炎等良性病变中发现。NME病变的鉴别诊断具有挑战性，因为T2加权信号、表观弥散系数（ADC）值以及与肿块更相关的动力学特征具有很大的重叠。簇状环形增强、分支线性分布和节段分布等形态学描述是预测NME病变恶性程度的少数特征。

人工智能（AI）是一项可以从医学图像中提取比放射科医生进行的视觉分析多得多的特征来建立计算机辅助诊断系统。然而，很少有研究使用人工智能对NME病变进行调查。当使用动态对比增强MRI（DCE-MRI）与机器学习或人工神经网络（ANN）算法来预测恶性NME病变时，受试者工作特性（ROC）曲线下的面积（AUC）从0.60到0.94不等。据我们所知，目前还没有关于使用深度学习算法对NME病变进行分类的报道。

最大强度投影（MIP）为重建早期对比减去后的图像，在一张图像上直接显示整体背景实质增强（BPE）、增强的病变和乳腺血管。NME病变的形态特征，如线性、节段性或指向乳头的区域分布，表明是与导管相关的病变。因此，MIP图像含有对NME病变进行分类的有用特征。

近日，发表在European Radiology杂志的一项研究旨在开发和验证一个利用MIP图像对NME的良性和恶性病变进行分类的人工智能系统，并使用从不同MRI扫描仪获得的数据集评估其适用性，为进一步提高乳腺癌的诊断准确性提供支持。

本项回顾性研究收集了903名女性的965个单纯NME病变（539个良性，426个恶性），每个病变都经组织病理学或随访证实。由一台MR扫描仪获得的754个NME病变被随机分成训练集、验证集和测试集A（482/121/151个病变）。另一台MR扫描仪获得的211个NME病变作为测试集B。AI系统是用ResNet-50开发的，使用的是轴位和矢状位MIP图像。一名高级和一名初级放射医师独立审查每个病例的MIP图像，并对其乳腺成像报告和数据系统类别进行评分。使用AUC评估人工智能系统和放射科医生的表现。 

人工智能系统在测试集A和B中产生的AUC分别为0.859和0.816。人工智能系统取得了与高级放射医师相当的性能（p = 0.558，p = 0.041），并在测试集A和B中超过了初级放射医师（p < 0.001，p = 0.009）。在人工智能协助下，初级放射医师的AUC在测试集A中从0.740上升到0.862（p < 0.001），在测试集B中从0.732上升到0.843（p < 0.001）。 

图 测试集A中一位59岁女性的线性NME病变。轴位MIP图像（a）和其由深度学习模型生成的类激活图（b）。矢状位MIP图像（c）及其由深度学习模型生成的类激活图（d）。线性NME病变发现于右乳，在临床实践中被归为BI-RADS 4A类。人工智能系统的预测值为0.888（0.935和0.840的平均值），表明是恶性病变。组织学分析显示浸润性导管癌与原位导管癌

本研究开发了一个基于MIP的人工智能系统，该系统对乳腺MRI中的恶性和良性NME病变具有良好的诊断性，并在乳腺癌筛查方面取得了比诊断方面更好的表现，且与高级放射医师具有相似的诊断性能，并优于初级放射医师，该系统可成为放射医师对NME病变分类的有效工具。

原文出处：

Lijun Wang,Lufan Chang,Ran Luo,et al.An artificial intelligence system using maximum intensity projection MR images facilitates classification of non-mass enhancement breast lesions.DOI:10.1007/s00330-022-08553-5