人工智能在乳腺超聲中的應用探析,超聲醫(yī)學論文

人工智能在乳腺超聲中的應用探析,超聲醫(yī)學論文摘要：乳腺癌是女性最常見癌癥之一，早期篩查、診斷對改善預后、降低死亡率至關重要。近年來，隨著計算機性能的提高、海量醫(yī)學影像數(shù)據(jù)的累積及新算法的不斷出現(xiàn)，乳腺超聲領域中人工智能(AI)研發(fā)已獲得重大突破。乳腺超聲AI可自動辨別成像信息并定量評價，更準確、快速地診斷乳腺疾病。本文對AI在乳腺超聲中的研究及應用現(xiàn)在狀況進行綜述。本文關鍵詞語:乳腺疾病;超聲檢查;人工智能;診斷計算機輔助;神經(jīng)網(wǎng)絡，計算機;Abstract：Breastcancerisoneofthemostcommoncancersinwomen.Earlyscreeninganddiagnosisareessentialtoimproveprognosisandreducemortality.Inrecentyears,withtheimprovementofcomputerperformance,thestorageofmassivemedicalimagedataandthecontinuousemergenceofnewalgorithms,thedevelopmentofartificialintelligence(AI)inthefieldofbreastultrasoundhasmadeamajorbreakthrough.BreastultrasoundAIcanautomaticallyidentifyandquantitativelyevaluatingimaginginformationtoaccuratelyandquicklydiagnosebreastdiseases.TheresearchandapplicationprogressesofAIinbreastultrasoundwerereviewedinthispaper.Keyword：breastdiseases;ultrasonography;artificialintelligence;diagnosis,computer-assisted;neuralnetworks,computer;乳腺癌是女性最常見的癌癥之一，早期篩查、診斷并及時治療可有效降低死亡率。超聲是篩查乳腺癌的重要影像學方式方法，除灰階超聲外，彩色多普勒、頻譜多普勒、超聲造影及彈性成像等新技術有助于獲得更準確的信息，但存在操作者依靠性，而突破這一局限性的關鍵是提高超聲檢查的標準化、規(guī)范化程度及量化準確率。隨著醫(yī)學影像的全面數(shù)字化及計算機技術的應用，采用人工智能(artificialintelligence,AI)有望在技術層面解決上述問題。近年來AI技術迭代更新，因圖像辨別效果極佳而遭到廣泛關注。AI可自動辨別成像信息并進行分類評估，提高超聲在乳腺影像中的應用價值[1]。本文對AI在乳腺超聲中的進展進行綜述。1、AI與乳腺超聲AI是以計算機、數(shù)學及哲學等學科為基礎而模擬、擴展并延伸人的智能的綜合學科，于20世紀60年代初次用于乳腺醫(yī)學影像，并開發(fā)了計算機輔助檢測/診斷(computeraideddetection/diagnosis,CAD)系統(tǒng)。通過綜合運用計算機、統(tǒng)計學、數(shù)學、圖像處理與分析等多種技術，CAD系統(tǒng)可從醫(yī)學影像中提取圖像特征、標注可疑病變位置并判定病變性質。隨著AI技術的迅速發(fā)展、尤其是深度學習(deeplearning,DL)算法的開發(fā)與更新，乳腺超聲AI技術的應用逐步走向更高層次層面，可在很大程度上彌補傳統(tǒng)CAD功能單一、性能不佳及假陽性率過高等劣勢。有別于傳統(tǒng)CAD系統(tǒng)，基于DL的CAD系統(tǒng)可直接訓練醫(yī)學圖像并構建模型，實現(xiàn)端-端學習(end-to-endlearning)[2],此種通過海量數(shù)據(jù)集進行高級學習的運算方式方法可大大提高CAD模型的診斷敏感度和準確率[3]。除此之外，乳腺超聲AI還可與其他新技術，如超聲射頻(ultrasoundradiofrequency,RF)時間序列分析[4]、基于圖形處理單元的多模態(tài)CAD乳腺癌超聲與數(shù)字乳腺X線成像系統(tǒng)[5]、光學乳腺成像[6]、基于定量傳輸?shù)娜橄俳M織體積成像[7]及自動乳腺容積掃描(automatedbreastvolumescanning,ABVS)[8]等相結合。2、AI用于乳腺超聲2.1、評估乳腺密度乳腺密度對于評估乳腺癌風險具有重要意義。OFLYNN等[9]以為超聲體層攝影術可測量乳腺密度，且結果與MRI所示水含量密切相關。NATESAN等[10]采用三維投射超聲自動定量評估乳腺密度，并與乳腺X線攝影進行比擬，發(fā)現(xiàn)二者計算得出的乳腺密度、乳腺總體積和纖維腺體體積均呈高度相關。WISKIN等[11]發(fā)現(xiàn)超聲體層攝影術與基于閾值的分割算法可準確定量計算乳腺密度，且與醫(yī)師主觀評價及乳腺密度客觀評價結果均呈高度相關。2.2、分割圖像根據(jù)組織功能分割乳腺超聲聲像圖有助于定位腫瘤、測量乳腺密度及評估療效，但受超聲操作者依靠性及人工分割技術等限制，常具有較強的主觀性，且耗時、費力。2021年MALIK等[7]運用定量超聲體層攝影術對乳腺組織中的皮膚、皮下脂肪、腺體、導管及結締組織構造進行分類，總體準確率90%,得到的乳腺組織彩色編碼圖為后期分割乳腺聲像圖及辨別病變奠定了基礎。隨后XU等[12]采用三維卷積神經(jīng)網(wǎng)絡(convolutionalneuralnetworks,CNN)將乳腺超聲聲像圖分割為皮膚、纖維腺體、脂肪及腫瘤組織，其定量評價分割準確率、精到準確率及召回率均達80%以上，提示采用該方式方法可辨別乳腺超聲聲像圖中的功能組織，為臨床診斷乳腺癌及改善其他形式超聲成像提供重要幫助。2.3、檢出病變及分類QI等[13]基于超聲醫(yī)師和乳腺外科醫(yī)師標注的乳腺超聲聲像圖數(shù)據(jù)集，利用CNN成功構建的診斷模型檢出乳腺惡性病變。HAN等[14]基于生成對抗性網(wǎng)絡的半監(jiān)督分割網(wǎng)絡構建乳腺超聲數(shù)據(jù)集模型，并訓練2000幅超聲聲像圖(100幅帶注釋、1900幅未帶注釋),結果表示清楚該模型能于內部和公共數(shù)據(jù)集上獲得更高層次的分割精度，可有效利用未注釋聲像圖提高分割質量，有望用于乳腺超聲自動診斷系統(tǒng)，減少標注工作量，降低操作者主觀經(jīng)歷體驗影響。QIAN等[15]以為二維超聲與彩色多普勒超聲相結合的雙模態(tài)神經(jīng)網(wǎng)絡用于評估乳腺良、惡性腫塊的效果可媲美經(jīng)歷體驗豐富的超聲醫(yī)師。GREEN等[16]發(fā)現(xiàn)，建立基于生物力學模型的數(shù)字化乳腺體層攝影與ABVS中對應病變的可變形映射有助于提高病變檢出率及診斷準確率，尤其對于致密性乳腺及乳腺多發(fā)腫塊患者。HUANG等[17]建立CNN模型辨別乳腺超聲聲像圖中病灶所在區(qū)域，并進行乳腺影像報告和數(shù)據(jù)系統(tǒng)(breastimagingreportinganddatasystem,BI-RADS)分類，其對BI-RADS3類、4a類、4b類、4c類及5類乳腺腫塊的診斷符合率分別達99.8%、94.0%、73.4%、92.2%及87.6%。李程等[18]運用AI超聲設備對400幅超聲聲像圖進行良、惡性分類，敏感度為96.06%、特異度為97.46%,表示清楚AI可能使超聲診斷到達一定程度的標準化和量化。AI能有效協(xié)助超聲醫(yī)生辨別乳腺良惡性病變，減少漏診率，并使分類更為準確。除此之外，影像學評估乳腺病變中，存在微鈣化或提示病變惡性可能性高。QIAO等[19]采用基于RF信號的定量多參數(shù)融合超聲人工智能鈣化自動檢測方式方法觀察乳腺腫塊鈣化，結果表示清楚，與人工標注相比，該方式方法平均準確率達88%,有助于更準確地辨別腫塊內鈣化并指導臨床治療。2.4、預測淋逢迎轉移ZHOU等[20]通過提取原發(fā)性乳腺癌超聲聲像圖特征構建InceptionV3模型，獨立預測測試集中術前腋窩淋逢迎轉移臨床陰性乳腺癌患者術后腋窩淋逢迎轉移情況，以病理結果為金標準，該模型預測敏感度為85%、特異度為73%,均高于醫(yī)師診斷效果。通過評估乳腺癌原發(fā)灶的聲像圖，DL模型可有效預測腋窩淋逢迎轉移情況，進而幫助制定早期診斷策略。2.5、提高閱片效率AI能加快描繪敘述圖像及診斷的速度。BECKER等[21]對含445幅乳腺超聲聲像圖的數(shù)據(jù)集進行預訓練，構建CNN模型，并以之分類評估192幅聲像圖所示病變性質，同時由3名工作經(jīng)歷體驗不同的影像科醫(yī)師分別閱片，每幅平均診斷用時分別為7.8、6.9及8.8s,而CNN模型平均用時為0.94s,表示清楚AI可顯著縮短醫(yī)師診斷用時，提高其工作效率。2.6、指導手術及勾畫靶區(qū)LU等[22]發(fā)現(xiàn)利用三維超聲重建能準確評估腫瘤體積，可與三維MR技術相媲美，為研究三維圖像數(shù)據(jù)全息顯示等先進的乳腺組織可視化技術提供了根據(jù)，有利于臨床制定精到準確手術計劃以及更好地實現(xiàn)醫(yī)患溝通，并在手術經(jīng)過中提供更有效的導航。除此之外，對乳腺癌患者保乳治療后行放射治療時，需要準確定位病變區(qū)域。SAYAN等[23]與乳腺X線定位結果比照，評估三維超聲用于加速局部乳房輻射術(acceleratedpartialbreastradiation,APBR)定位目的的可行性，結果顯示當超聲可直接顯示乳腺癌保乳術后局部切除腔時，三維超聲可替代乳腺X線攝影而作為APBR日常定位方式方法，避免不必要的電離輻射。2.7、監(jiān)測化學治療療效既往研究[24]表示清楚，采用超聲背向散射統(tǒng)計參數(shù)可提高對新輔助化療(neoadjuvantchemotherapy,NAC)的監(jiān)測效果，有利于臨床制定個體化NAC方案。定量超聲信息可更好地描繪敘述腫瘤病理反響，并能于早期治療階段、腫瘤縮小前有效評估療效。SANNACHI等[25]回首性分析100例接受NAC的局部晚期乳腺癌(locallyadvancedbreastcancer,LABC)患者的超聲及術后病理資料，基于腫瘤區(qū)RF資料計算定量超聲參數(shù)，并提取超聲紋理特征，結果表示清楚建立基于定量超聲和紋理特征的聯(lián)合CAD系統(tǒng)預測早期治療反響模型可為難治性LABC提供有效的治療方案。3、缺乏與瞻望當前AI在乳腺超聲領域中的研究如火如荼，但仍存在局限性：①醫(yī)療行業(yè)是具有人文特質的特殊行業(yè)，AI系統(tǒng)數(shù)據(jù)來源需經(jīng)倫理批準后自患者數(shù)據(jù)中提取，并須保衛(wèi)患者隱私，因而需要相關部門建立規(guī)范，以嚴格監(jiān)管AI系統(tǒng)在醫(yī)學領域的開展；②“人工〞提供的經(jīng)過訓練的大數(shù)據(jù)是保障AI實現(xiàn)“智能〞的前提，人工的精到準確度決定智能的準確度，AI無法對未被訓練開發(fā)研究的疾病做出診斷，故難以及時應變及創(chuàng)新，其在臨床決策中不能取代醫(yī)師的人文及社會特質[26];③AI算法具有一定“偏見〞,泛化能力有限，隨著計算數(shù)據(jù)量不斷增加，算法準確性可能發(fā)生正向或負向改變，需人工不斷加以校正[27];④當前對于怎樣獲取、管理、應用及共享AI大數(shù)據(jù)尚未達成規(guī)范和共鳴，安全性、有效性及普遍性尚未得到驗證，將來仍需尋求更為合理的方式將其融入臨床工作中。將來新開發(fā)的乳腺AI產(chǎn)品將能通過整合產(chǎn)、學、研、用等各界的資源解決上述問題。AI用于超聲領域符合“2030健康中國戰(zhàn)略〞要求[28],相關醫(yī)療衛(wèi)生監(jiān)管和審批部門正在加速醫(yī)療行業(yè)中AI技術的落實及其合法化。醫(yī)療大數(shù)據(jù)時代的到來和病例數(shù)量的累積，將為AI發(fā)展提供更多可能。以下為參考文獻[1]CIRITSISA,ROSSIC.EBERHARDM,etal.Automaticclassificationofulrasoundbreastlesionsusingadeepconvolutionalneuralnetworkmimickinghumandecision-makin[J].EurRadiol,2022,29(10):5458-5468.[2]邢博緣,趙云，平杰，等S-DetectTM分類技術診斷BI-RADS4類乳腺腫塊[J].中國醫(yī)學影像技術，2020,36(9):1319-1323.[3]K0OIT,LITJENSG,vanGINNEKENB,etal.Largescaledeeplearningforcomputeraideddetectionofmammographiclesions[J].MedImageAnal,2021,35:303-312.[4]UNIYALN,ESKANDARIH,ABOLMAESUMIP,etal.UltrasoundRFtimeseriesforclassificationofbreastlesions[J].IEEETransMedImaging,2021,34(2):652-661.[5]SIDIROPOULOSKP,KOSTOPOULOSSA,GLOTSOSDT,etal.MultimodalityGPU-basedcomputer-assisteddiagnosisofbreastcancerusingultrasoundanddigitalmammographyimages[J].IntJComputAssistRadiolSurg,2020,8(4):547-560.[6]DENGB,LUNDQVISTM,FANGQ,etal.lmpactoferrorsinexperimentalparametersonreconstructedbreastimagesusingdifuseopticaltomography[J]BiomedOptExpress,2021,9(3):1130-1150.[7]MALIKB,KLOCKJ,WISKINJ,etal.Objectivebreasttissueimageclassificationusingquantitativetransmissionultrasoundtomography[J]SciRep,2021,6:38857.[8]楊東芹，徐衛(wèi)云自動乳腺全容積成像系統(tǒng)超聲在286例乳腺腫塊診斷中的應用[J].山東醫(yī)藥,2020(3):54-56.[9]OFLYNNE,FROMAGEAUJ,LEDGERAE,etal.Ultrasoundtomographyevaluationofbreastdensity:Acomparisonwithnoncontrastmagneticresonanceimaging[J].InvestRadiol,2021,52(6):343-348.[10]NATESANR,WISKINJ,LEES,etal.Quantitativeassessmentofbreastdensity:Transmissionultrasoundiscomparabletomammographywithtomosynthesis[J.CancerPrevRes(Phila),2022,12(12):871-876.[11]WISKINJ,MALIKB,NATESANR,etal.Quantitativeassessmentofbreastdensityusingtransmissionulrasoundtomography[J.MedPhys,2022,46(6):2610-2620.[12]XUY,WANGY,YUANJ,etal.Medicalbreastultrasoundimagesegmentationbymachinelearning[J].Ultrasonics,2022,91:1-9.[13]QlX,ZHANGL,CHENY,etal.Automateddiagnosisofbreastutrasonographyimagesusingdeepneuralnetworks[J]MedImageAnal,.2022,52:185-198