基于深度學習的乳腺X線攝影鈣化檢出系統(tǒng)評估

摘要

目的探討基于深度學習的乳腺X線影像鈣化檢出系統(tǒng)的價值。

方法回顧性分析2013年1月至12月解放軍總醫(yī)院第五醫(yī)學中心南院區(qū)乳腺X線常規(guī)檢查1431例患者的5488幅影像，每例檢查均拍攝頭尾位（CC）及內(nèi)外斜位（MLO）圖像。通過低年資醫(yī)師A獨立閱片、高年資醫(yī)師B審核的方式，建立鈣化檢出的參考標準。采用χ2檢驗研究不同因素（鈣化形態(tài)、鈣化分布、分類、美國放射學院腺體構(gòu)成分類、患者年齡）對于深度學習和醫(yī)師A的影響。

結(jié)果深度學習對所有鈣化的敏感性96.76%（7649/7905），假陽性平均每幅影像1.04（5706/5488）個，平均每例檢查3.99（5706/1431）個，假陽性率為42.73%（5706/13355）。深度學習和醫(yī)師A對于典型良性和可疑惡性間鈣化、不同形態(tài)鈣化的診斷差異均有統(tǒng)計學意義（P均<0.05）。深度學習對于不同分布鈣化、BI-RADS分類、美國放射學院腺體構(gòu)成鈣化的敏感性差異無統(tǒng)計學意義（P>0.05），而醫(yī)師A的差異有統(tǒng)計學意義（P<0.05）。深度學習和醫(yī)師A對于不同年齡下鈣化檢出的敏感性差異均無統(tǒng)計學意義（P>0.05）。

結(jié)論基于深度學習的乳腺X線影像鈣化檢出系統(tǒng)具有很高的敏感性以及一定的穩(wěn)定性，可以有效減少閱片流程中鈣化，尤其是可疑惡性鈣化的漏檢。乳腺癌是我國女性發(fā)病率最高的癌癥，乳腺癌的預(yù)防和早診早治是臨床的關(guān)鍵課題。鈣化是乳腺癌的早期征象之一。乳腺X線攝影對鈣化檢出的敏感性高，尤其是對于以少許微小鈣化為唯一表現(xiàn)的Tis期乳腺癌，只有采用乳腺X線攝影才能被早期發(fā)現(xiàn)和診斷。通過人工智能算法，自動地從乳腺X線影像中檢測出乳腺鈣化，一方面可以有效提示臨床醫(yī)師減少漏診，另一方面可以有效提升報告書寫效率和報告的規(guī)范化。筆者旨在評估基于深度學習（deeplearning，DL）的乳腺X線影像鈣化檢出系統(tǒng)的有效性與穩(wěn)定性。資料與方法一、研究對象研究通過了解放軍總醫(yī)院第五醫(yī)學中心科學研究倫理委員會的批準，批號為Ky-2019-6-23?；仡櫺苑治?013年1月至12月解放軍總醫(yī)院第五醫(yī)學中心南院區(qū)符合以下標準的患者。納入標準：（1）常規(guī)行乳腺X線檢查，且檢查前未進行過穿刺活檢、放射治療、化學治療、手術(shù)切除等治療；（2）圖像質(zhì)量、拍攝條件及拍攝投照位符合診斷標準。排除標準：（1）影像中包含彌漫分布且數(shù)量較多難以計數(shù)（≥20枚）的良性鈣化；（2）圖像質(zhì)量欠佳、拍攝條件不達標或拍攝投照位缺失。

1431例女性納入研究，年齡12~86（47±10）歲。其中127例僅有單側(cè)的頭尾位（cranio-caudalview，CC）和內(nèi)外斜位（medio-lateraloblique，MLO）像；1287例為標準的雙側(cè)CC和MLO；13例除了標準的雙側(cè)CC和MLO外，為了觀察近胸壁病變分別有8例和6例加拍一張CC或MLO位；其余4例除了標準的雙側(cè)CC和MLO外，加拍了1張側(cè)位像。因此，共有2743幅CC位影像，2741幅MLO位影像，4幅補充體位影像，共計5488幅影像。

二、影像采集與標注所有乳腺X線攝影圖像均來自美國HologicSeleniaDimensions數(shù)字乳腺機。陽極靶面材料為鎢，濾過材料為銠-銀。該乳腺機的壓迫系統(tǒng)，會自動根據(jù)拍攝體位、壓迫板、拍攝視野自動調(diào)整壓力，無需手動操作。乳腺機采用全自動曝光，根據(jù)乳腺厚度和密度全自動選擇所有成像參數(shù)，有預(yù)曝光系統(tǒng)，曝光電壓范圍為22~39kV，曝光電流為3~400mA。常規(guī)拍攝CC位及MLO位圖像，需要時加拍補充投照位。乳腺X線攝影方法符合中華醫(yī)學會2016年乳腺影像檢查方法專家共識制定的乳腺影像檢查技術(shù)標準。

鈣化的乳腺影像報告和數(shù)據(jù)系統(tǒng)（breastimagingreportinganddatasystem，BI-RADS）分類參考美國放射學院（AmericanCollegeofRadiology，ACR）2013年第五版BI-RADS標準和中華醫(yī)學會放射學分會《乳腺X線攝影檢查和診斷共識》。包括：（1）針對不同形態(tài)的鈣化：典型良性的鈣化，除成簇分布的圓形點狀鈣化歸到BI-RADS3類，其余都歸到BI-RADS2類；無定形、粗糙不均質(zhì)、細小多形性鈣化的陽性預(yù)測值（positivepredictionvalue，PPV）分別是21%、13%和29%，因此歸到BI-RADS4b類；細線或細線分枝樣鈣化PPV為70%，因此歸到BI-RADS4c類。（2）針對不同分布的鈣化：彌漫分布的鈣化為BI-RADS2類；成簇、區(qū)域分布的鈣化PPV分別是26%和31%，為BI-RADS4b類；線樣、段樣分布的PPV分別是60%和62%，為BI-RADS4c類。特別地，線樣或段樣分布的細線或細線分枝樣鈣化，分為BI-RADS5類。

為了建立鈣化檢出的參照標準，首先由住院醫(yī)師A（不足5年資質(zhì)）獨立閱片，標記出所有的鈣化病灶，并且記錄其形態(tài)、分布和BI-RADS分類。隨后，由另1名高年資醫(yī)師B（5~10年乳腺X線閱片經(jīng)驗）對醫(yī)師A與深度學習系統(tǒng)檢出結(jié)果不一致的部分進行二次審核，從而得到參照標準。閱片過程中，醫(yī)師可以調(diào)整影像的窗寬、窗位和分辨率，可以進行不同側(cè)別和投照位影像的對比，且閱片時間不受限制。全部1431例影像中，鈣化總數(shù)共計7905個，平均每次檢查5.52個，每幅影像1.44個。不同形態(tài)鈣化數(shù)量統(tǒng)計結(jié)果見表1。三、深度學習鈣化檢出系統(tǒng)本研究中采用的深度學習系統(tǒng)（以下簡稱DL系統(tǒng)）是Dr.Wise乳腺X線影像輔助診斷系統(tǒng)，系統(tǒng)的算法模型已經(jīng)完成建立，無需重新建模。系統(tǒng)以標準協(xié)議的DICOM數(shù)據(jù)作為輸入，自動檢出并顯示鈣化。每例分析鈣化的時間為3.64s。該系統(tǒng)的鈣化檢出算法基于深度生成式-判別式級聯(lián)模型。模型主要由兩個模塊組成，分別為：（1）異常分離網(wǎng)絡(luò)模塊，以高敏感性從乳腺X線影像中提取候選鈣化灶。該模塊通過一個18層的U型網(wǎng)絡(luò)，學習正常纖維腺體組織的模式，從而將鈣化灶作為異常點分離出來。（2）假陽性消除模塊，以上一模塊輸出的候選鈣化灶作為輸入，通過一個50層的殘差神經(jīng)網(wǎng)絡(luò)ResNet-50，預(yù)測出每個樣本是鈣化的概率值。給定一個閾值（通常為50%），高于該閾值的被留下，為最終檢出的鈣化（圖1）。圖1

深度學習鈣化檢出算法流程圖。模型主要由兩個模塊組成，異常分離網(wǎng)絡(luò)模塊和假陽性消除模塊四、統(tǒng)計學方法采用Python2.7.10軟件進行統(tǒng)計分析。通過對比上述DL系統(tǒng)檢出結(jié)果與前述鈣化檢出參照標準，可以統(tǒng)計出系統(tǒng)的真陽性（參照標準鈣化中檢出的數(shù)量）、假陽性（系統(tǒng)的檢出里面不在參照標準中的數(shù)量）以及假陰性（參照標準中漏檢的數(shù)量），由此計算檢出的敏感性=真陽性/（真陽性+假陰性）×100%、假陽性率=假陽性/（真陽性+假陽性）×100%、平均每例的假陽性個數(shù)=假陽性/病例數(shù)。為了研究不同因素（鈣化形態(tài)、鈣化分布、BI-RADS分類、ACR腺體構(gòu)成分類、患者年齡）對于DL和醫(yī)師A的影響，進行χ2檢驗驗證該因素是否對檢出造成了影響。P<0.05為差異有統(tǒng)計學意義。結(jié)果在CC位中，所有鈣化的敏感性為96.00%（3694/3848），假陽性為平均每幅影像0.95（2610/2743）個，假陽性率41.40%（2610/6304）；在MLO及補充投照位中，所有鈣化的敏感性為97.49%（3955/4057），每幅影像1.13（3096/2745）個假陽性，假陽性率為43.91%（3096/7051）；總體上所有鈣化的敏感性96.76%（7649/7905），假陽性平均每幅影像1.04（5706/5488）個，平均每例檢查3.99（5706/1431）個，假陽性率為42.73%（5706/13355）。DL和醫(yī)師A對于典型良性和可疑惡性間鈣化的診斷差異均有統(tǒng)計學意義（表2）。醫(yī)師A和DL間，對于CC位和MLO+補充投照位的鈣化診斷差異均有統(tǒng)計學意義（χ2值分別為25.230、347.562，P均<0.05）。DL檢出的2例假陽性分別為纖維腺體組織重疊和血管軸向投影所致（圖2，圖3）。6例DL系統(tǒng)檢出，醫(yī)師A漏檢的可疑鈣化，都是成簇樣分布，以無定形形態(tài)為主，直徑較小，密度相對較低（圖4，圖5，圖6，圖7，圖8，圖9）。圖2,3

深度學習系統(tǒng)檢出的2例假陽性患者，分別為纖維腺體組織重疊（圖2）及血管軸向投影所致（圖3）圖4~9

深度學習系統(tǒng)檢出的6例可疑鈣化患者，醫(yī)師A漏檢，均為成簇分布的無定形鈣化，乳腺影像和報告系統(tǒng)（BI-RADS）4b類DL對于每種形態(tài)的鈣化檢出敏感性都在93%以上，DL和醫(yī)師A對于不同形態(tài)鈣化的敏感性差異均有統(tǒng)計學意義（表3）。DL對于所有分布形式的鈣化，檢出敏感性都在96%以上。DL對于不同分布鈣化、BI-RADS分類、ACR腺體構(gòu)成鈣化的敏感性差異無統(tǒng)計學意義，而醫(yī)師A的差異有統(tǒng)計學意義（表4，表5，表6）。提示鈣化分布類型、BI-RADS分類、ACR腺體構(gòu)成對于DL敏感性無明顯影響，但對醫(yī)師A影響較大。對于所有的年齡分段，DL的鈣化檢出敏感性都在96%以上。DL和醫(yī)師A對于不同年齡下鈣化檢出的敏感性差異均無統(tǒng)計學意義（表7），提示不同年齡對DL和醫(yī)師A的鈣化檢出敏感性都沒有影響。討論一、深度學習乳腺X線鈣化檢出系統(tǒng)的價值本研究中，DL系統(tǒng)可有效減少住院醫(yī)師對鈣化尤其是可疑惡性鈣化的漏檢，同時對于自動生成結(jié)構(gòu)化報告、減少醫(yī)師工作量，有著潛在的臨床價值。本研究結(jié)果與結(jié)論類似，該研究發(fā)現(xiàn)醫(yī)師在有人工智能輔助時，對惡性鈣化的敏感性從88%提升至90%。但是，該研究僅入組35例鈣化，其統(tǒng)計意義有限；另外鈣化的不同形態(tài)、分布等對于乳腺癌的早期診斷具有重要意義，這點在文中也沒有涉及。也有學者基于FasterRCNN技術(shù)，研究乳腺病灶的深度學習檢出效果評估，然而文章僅涉及了圓形點狀鈣化、邊緣型鈣化和粗大鈣化3種，且模型的檢出敏感性只有64.9%~75.0%，其臨床輔助價值有限。本研究中則分析了不同形態(tài)、分布、BI-RADS分類的鈣化檢出敏感性以及同住院醫(yī)師A的對比，DL系統(tǒng)對于可疑的形態(tài)、可疑的分布、BI-RADS≥3類的鈣化，DL的敏感性均達到100%。而醫(yī)師對于形態(tài)為無定形，或是分布成簇樣的鈣化均存在較高的漏檢率。因此對于此種性質(zhì)的鈣化，DL系統(tǒng)更有輔助價值。

筆者還對DL系統(tǒng)的穩(wěn)定性進行了探究。除了不同的鈣化形態(tài)對于DL的敏感性有影響外，鈣化分布、BI-RADS分類、腺體構(gòu)成分類以及患者年齡等因素均對DL系統(tǒng)的檢出率無影響。而醫(yī)師的敏感性較易受到鈣化形態(tài)、鈣化分布、BI-RADS分類和ACR腺體構(gòu)成分類的影響。這一結(jié)果顯示出DL系統(tǒng)在閱片過程中有著一定的穩(wěn)定性和可靠性，從而