Investigative Radiology：深度学习模型在乳腺癌高危女性乳腺MRI筛查中的自动分类

每年，仅在美国就有超过30万例新的乳腺癌诊断，导致超过4万例死亡。对于乳腺癌高危风险女性的一般定义为终身风险大于20%，筛查指南建议用动态对比增强乳腺磁共振成像（DCE-MRI）进行补充筛查，可明显提高早期检测的敏感性。最近，欧洲乳腺成像协会的指南建议，50-70岁的女性，如果乳腺极度致密，应每2-4年进行一次DCE-MRI检查。随着乳腺MRI使用率的提高，乳腺成像放射科医生要及时解释所有病例，是一个重要的挑战。每一次乳腺MRI筛查都有数千张图像需要复查，这是一项非同小可的任务。然而，这些检查中80%以上是完全阴性的，不需要进一步的检查，98%至99%的人在经过额外的测试（如活检）后最终被认定为乳腺癌阴性。鉴于受过乳腺成像专业培训的放射科医生数量有限，需要采用自动化方法来优化临床工作流程。例如，自动分流可以将 "极低可疑 "的检查分配给指定的放射科医生，或在工作日结束时进行审查以便将更多的时间、注意力和专业知识用于更具挑战性的病例。

在过去的几年里，深度学习（DL）工具已经被开发出来用于各种乳腺成像应用，包括图像重建、分割、癌症检测、病变分类和风险评估。深度学习工具特别适合于大批量的重复性任务，如癌症筛查或检查分流。深度学习也被用来减少乳腺极度致密的妇女进行乳腺MRI筛查的临床工作量，或者作为计算机辅助检测前的初始分流步骤以减少良性病变的活检数量。然而，迄今为止还没有研究评估过在大量高危妇女（即终身患乳腺癌风险大于20%的妇女）中使用DL进行乳腺MRI检查自动分流的价值及效果。

近日，发表在Investigative Radiology杂志的一项研究开发和评估了一个用于对大量高危妇女群体中"极低可疑 "MRI检查进行分流的DL模型，评估了DL模型在临床上的表现，并将DL模型的表现与经过培训的乳腺影像学专家的表现进行了比较。

本项回顾性研究收集了2013年1月至2019年1月在8354名女性身上进行的16535个连续增强MRI。从纽约的3个成像站点，14768个MRI被用于训练和验证数据集，80个随机选择的MRI被用于读者研究测试数据集。从新泽西州的3个成像点，1687个MRI（1441个筛查MRI和246个最近诊断的乳腺癌患者进行的MRI）被用于外部验证数据集。DL模型被训练为将最大强度投影图像分类为 "极低可疑 "或 "可能可疑"。对外部验证数据集进行了深度学习模型评估（工作量减少、敏感性、特异性），并使用了组织病理学作为参考标准。同时进行了一项读者研究，将DL模型的性能与经过奖学金培训的乳腺成像放射学家进行了比较。 

在外部验证数据集中，DL模型将159/1441例筛查性MRI分流为 "极度可疑"，没有遗漏任何一个癌症，产生了11%的工作量减少，表现为11.5%的特异性和100%的敏感性。该模型将最近诊断的患者中的246/246（100%的灵敏度）的MRI正确分流为 "可能可疑"。在读者研究中，2名读者对MRI的分类特异性分别为93.62%和91.49%，分别漏掉了0个和1个癌症。另一方面，DL模型以19.15%的特异性对MRI进行分类，并漏掉了0个癌症，突出了它不是作为独立的读者而是作为分流工具的潜在用途。 

图 U-Net对外部验证数据集中2名患者的MIP图像进行分割。输入的MIP(A)、基础真相人工分割(B)和U-Net分割(C)(DSC: 0.928和0.934，分别针对患者1和2)

本项研究表明，研究所提出的自动DL模型将筛查乳腺MRI的一个子集分流为 "极低可疑"，而没有将任何乳腺癌病例错误分类。该工具可用于减少独立模式下影像科医生的工作量，将低疑似病例分流给指定的放射科医生或在工作日结束时分流或作为其他下游AI工具的基础模型。

原文出处：

Arka Bhowmik,Natasha Monga,Kristin Belen,et al.Automated Triage of Screening Breast MRI Examinations in High-Risk Women Using an Ensemble Deep Learning Model.DOI:10.1097/RLI.0000000000000976