人工智能提高乳房超声诊断的准确性

在一项大型多中心研究中，科学家训练深度学习算法从超声图像中对乳房病变进行分类。2020年，世界卫生组织国际癌症研究机构表示，乳腺癌占全球女性癌症发病率和死亡率的大部分。这一惊人的统计数据不仅需要更新的乳腺癌早期诊断方法，而且还揭示了对该疾病发生和发展进行风险预测的重要性。

超声是早期检测乳腺癌的宝贵诊断工具，但病变的分类有时具有挑战性且耗时。人工智能能否找到解决这些问题的答案?图片来源：中华医学杂志

超声波是一种有效且无创的诊断程序，可真正挽救生命;然而，超声医师有时很难区分恶性肿瘤和其他类型的良性肿瘤。特别是在，乳腺肿块分为良性肿瘤、恶性肿瘤、炎性肿块和腺病(产乳腺肿大)四大类。

当良性乳房肿块被误诊为恶性肿瘤时，通常会进行活检，这会使患者面临不必要的风险。当考虑到医学专家的大量工作量时，对超声图像的正确解释变得更加困难。

深度学习算法能否解决这个难题?何文教授(首都医科大学北京天坛医院)是这样认为的。“人工智能擅长识别图像中的复杂模式并量化人类难以检测的信息，从而补充临床决策，”他说。尽管在将深度学习算法集成到医学图像分析中取得了很大进展，但大多数乳腺超声研究仅涉及恶性和良性诊断的区分。换言之，现有方法并未尝试将乳房肿块分为上述四种类别。

为了解决这一限制，何博士与来自 13 家医院的科学家合作，进行了迄今为止规模最大的乳腺超声多中心研究，试图训练卷积神经网络 (CNN) 对超声图像进行分类。正如他们发表在《中华医学杂志》上的论文所详述的那样，科学家们收集了 3,623 名患者的 15,648 张图像，并将其中一半用于训练，另一半用于测试三种不同的 CNN 模型。第一个模型仅使用 2D 超声强度图像作为输入，而第二个模型还包括彩色血流多普勒图像，可提供有关乳房病变周围血流的信息。第三个模型进一步添加了脉冲波多普勒图像，提供病灶内特定区域的光谱信息。

每个 CNN 由两个模块组成。第一个，检测模块，包含两个主要子模块，其总体任务是确定原始 2D 超声图像中乳房病变的位置和大小。第二个模块，即分类模块，仅接收从包含检测到的病变的超声图像中提取的部分。输出层包含四个类别，分别对应常用的四种乳腺肿块分类。

首先，科学家们检查了三个模型中哪个表现更好。准确度相似，约为 88%，但包含 2D 图像和彩色血流多普勒数据的第二个模型的表现略好于其他两个模型。脉冲波多普勒数据对性能没有积极贡献的原因可能是整个数据集中很少有脉冲波图像可用。然后，研究人员检查了肿瘤大小的差异是否会导致性能差异。虽然较大的病变导致良性肿瘤的准确性提高，但在检测恶性肿瘤时，大小似乎对准确性没有影响。最后，科学家们使用一组随机选择的 50 张图像将其性能与 37 位经验丰富的超声医师的性能进行了比较，从而对他们的一个 CNN 模型进行了测试。结果在各方面都非常有利于 CNN，正如何博士所说：“CNN 模型的准确率为 89.2%，处理时间不到两秒。相比之下，超声医师的平均准确率为 30%，平均时间为 314 秒。”

这项研究清楚地展示了深度学习算法作为通过超声诊断乳腺病变的补充工具的能力。此外，与之前的研究不同，研究人员包括使用来自不同制造商的超声设备获得的数据，这暗示了经过训练的 CNN 模型具有显着的适用性，而不管每家医院的超声设备如何。未来，将人工智能整合到超声诊断程序中可以加快癌症的早期检测。正如何博士解释的那样，它还将带来其他好处：“因为 CNN 模型不需要任何类型的特殊设备，他们的诊断建议可以减少预先确定的活检，简化超声医师的工作量，并实现有针对性的精细治疗。”

让我们希望人工智能很快在超声图像诊断中找到一席之地，这样医生就可以更聪明地工作，而不是更努力地工作。

标签：