乳腺X線AI智能病灶檢測

李欣，梁森，黃正南，夏晨，張榮國，吳孝掌，賴原仲

乳腺癌是女性群體中發(fā)病率最高的一類腫瘤。乳腺癌的早診早篩有利于提升患者的5年生存率，具有重大的臨床意義[1]。目前《中國抗癌協(xié)會乳腺癌診治指南與規(guī)范(2017年版)》建議40～45歲的女性進行一年一次的乳腺癌篩查，45～69歲的女性每1～2年進行一次篩查，70歲以上每2年進行一次篩查，并指定使用鉬靶作為主要的影像篩查手段，超聲和MRI作為輔助方式[2]。鉬靶X線對微鈣化敏感，對腫塊也具有良好的檢測效果，而且還具有性價比高的優(yōu)點。但就高致密乳腺而言，鉬靶影像的病灶檢出存在一定的局限[3]。上世紀(jì)80年代開始，研究者們陸續(xù)提出了一些計算機方法對鉬靶圖像進行輔助診斷[4-6]，此類算法大多基于傳統(tǒng)的CAD算法。2014年以來，基于深度學(xué)習(xí)人工智能逐漸成為計算機視覺的主流方法論，研究者們利用深度學(xué)習(xí)算法使用大規(guī)模數(shù)據(jù)訓(xùn)練預(yù)測模型，在無需手動干預(yù)的情況下在包括乳腺鉬靶影像[7-9]、眼底影像[10]、皮膚影像[11]、CT影像[12]、病理影像[13]等多個臨床場景下實現(xiàn)了疾病的準(zhǔn)確預(yù)測與分類。

本研究我們首先按照最新版BI-RADS(2013年)國際標(biāo)準(zhǔn)進行人工數(shù)據(jù)標(biāo)記[14]，主要標(biāo)記的病灶類型包括腫塊、乳腺內(nèi)淋巴結(jié)、圓形鈣化、粗糙鈣化、還有環(huán)形鈣化。本文采用最新的深度學(xué)習(xí)病灶檢測算法Faster R-CNN模型作為主要的算法結(jié)構(gòu)[15]，訓(xùn)練并驗證AI在乳腺X線影像的病灶檢測效果。實驗結(jié)果顯示AI智能檢測系統(tǒng)對腫塊、乳腺內(nèi)淋巴結(jié)、圓形鈣化、環(huán)形鈣化、粗糙鈣化的檢測敏感度分別達到76.4%，83.1%，71.2%，75.0%和64.9%。

材料與方法

1.病例資料

本文回顧性地分析了2016年6月-2017年6月1年內(nèi)行乳腺鉬靶檢查的5765例病例，病例納入條件：①女性；②影像報告發(fā)現(xiàn)病灶；③術(shù)前未經(jīng)放療或化療。共納入2292例病例，年齡24～85歲，中位年齡41歲。所有病例均行常規(guī)雙側(cè)乳腺軸面(craniocaudal，CC)和平行于胸大肌斜位(mediolateral oblique,MLO)攝影。

2.檢查方法

采用GE乳腺X線Senograph設(shè)備，型號為ADS 54.10，行常規(guī)軸面和斜側(cè)面攝像。設(shè)備電壓22～49 kV，電流：小焦點40 mA，大焦點100 mA，最大500 mA。本研究中智能檢測算法的開發(fā)與訓(xùn)練基于深度學(xué)習(xí)框架Mxnet 1.2版本開發(fā)，所有代碼基于Python 2.7語言，并在 NVIDIA GPU上運行，該AI智能病灶檢測系統(tǒng)在Windows/Linux/Mac等操作系統(tǒng)上均可使用。

3.圖像處理和人工標(biāo)注

2292例乳腺X線病例9168張DICOM影像。每一張影像依次按如下步驟進行圖像預(yù)處理：①用自適應(yīng)的方法調(diào)整到適合閱片的窗寬窗位；②將圖像的像素值歸一化到0～255范圍內(nèi)；③將醫(yī)學(xué)DICOM傳輸協(xié)議圖像格式轉(zhuǎn)換為適合計算機處理的JPEG圖像格式。為了讓AI可以智能檢測出X線影像中的病灶，由有經(jīng)驗的影像科醫(yī)生對影像的病灶進行人工標(biāo)注。通過用標(biāo)注好的數(shù)據(jù)訓(xùn)練AI智能病灶檢測模型，我們最終得到模型并進行病灶檢測效果的驗證。

本研究采用最新版的BI-RADS(2013年)標(biāo)準(zhǔn)對病例進行人工標(biāo)注。每例病例的人工標(biāo)記流程：①3名放射科副高職稱醫(yī)生分別進行標(biāo)記；②1名標(biāo)記質(zhì)量控制人員統(tǒng)計不一致的標(biāo)記數(shù)據(jù)；③3名標(biāo)記人員一起討論不一致的標(biāo)記并達成共識。最后，2292例數(shù)據(jù)劃分為1892例訓(xùn)練數(shù)據(jù)集和400例測試數(shù)據(jù)集。訓(xùn)練數(shù)據(jù)集用來訓(xùn)練我們的AI智能病灶檢測模型，測試數(shù)據(jù)集用來評估我們AI模型的檢測效果。

4. 人工智能檢測方法

本研究采用深度學(xué)習(xí)人工智能領(lǐng)域經(jīng)典的目標(biāo)檢測Faster R-CNN算法[15]，相比其它的目標(biāo)檢測算法，它具有高精度的檢測優(yōu)勢，目前很多檢測算法都是基于該算法發(fā)展出來的，比如R-FCN檢測網(wǎng)絡(luò)算法[16]和DeformbleNet算法[17]等。Faster R-CNN是采用卷積神經(jīng)網(wǎng)絡(luò)為主體的兩階段目標(biāo)檢測算法(圖1)。首先對輸入的乳腺X線圖片進行多層卷積層和池化層操作從而實現(xiàn)自動特征提取，得到特征圖(Feature Map)后將其輸入一個區(qū)域提出網(wǎng)絡(luò)(region proposal network，RPN)網(wǎng)絡(luò)實現(xiàn)感興趣病灶區(qū)域(ROI)自動提取，并將ROI區(qū)域映射到特征圖上(即ROIPooling操作)，最后對映射后的特征圖進行預(yù)測其病灶的類別和位置。算法流程分為訓(xùn)練階段和測試階段。訓(xùn)練階段使用訓(xùn)練數(shù)據(jù)集對該算法進行訓(xùn)練，從而得到算法中的參數(shù)，此時算法的輸入是乳腺X線圖片和對應(yīng)的人工標(biāo)注的病灶標(biāo)簽。在測試階段，我們使用測試數(shù)據(jù)集對算法的檢測性能進行測試，將算法檢測出來的病灶結(jié)果與人工標(biāo)注的結(jié)果進行對比，用來評估AI智能檢測病灶的性能。

5.評價方法

本研究使用的敏感度和假陽率兩個指標(biāo)對檢測的性能進行評價。假設(shè)影像中的病灶有N個，算法檢測出了M個病灶，其中TP個病灶是真陽，F(xiàn)P個病灶是假陽，且TP+FP=M。那么敏感度(Sensitivity)和假陽率(False Positive Rate)的定義為，

Sensitivity=TP/N

(1)

False Positive Rate=FP/M

(2)

結(jié) 果

本研究對1892例訓(xùn)練數(shù)據(jù)集進行訓(xùn)練，得到優(yōu)化后的AI智能病灶檢測模型，最后基于400例測試數(shù)據(jù)集進行病灶檢測的效果驗證，得到統(tǒng)計結(jié)果(表1)。

表1 測試集病灶檢測結(jié)果

400例測試集的實際病灶分布腫塊689個，乳腺內(nèi)淋巴結(jié)1098個，圓形鈣化73個，環(huán)形鈣化692個，粗糙鈣化544個。AI智能病灶檢測算法分別檢測出腫塊526個，乳腺內(nèi)淋巴結(jié)912個，圓形鈣化52個，環(huán)形鈣化692個，粗糙鈣化353個。AI智能病灶檢測算法敏感度分別為76.4%，83.1%，71.2%，75%，649%；假陽率分別為35.7%，38.6%，0.9%，0.6%，18.4%(圖2)。

圖1 算法的輸入為乳腺X線片，然后通過算法的預(yù)測，輸出病灶的位置(bbox_pred)和對應(yīng)的類別(cls_prob)。

圖2 AI智能病灶檢測結(jié)果。a～d) 分別為不同患者的乳腺X線影像的右乳MLO位，左乳CC位，右乳MLO位和右乳CC位。圖框表示病灶，綠框代表真實病灶，紅框代表AI智能檢測出的病灶。若綠色框和紅色框重合在一起表示真實的病灶被檢測出。圖中大部分病灶都被檢測出；若某個病灶僅有綠框，表示AI漏檢，c) 漏檢了3個病灶，d) 漏檢了1個病灶；若某個病灶僅有紅框表示病灶是一個假陽，或者是一個醫(yī)生漏標(biāo)記的病灶。

討 論

目前鉬靶X線檢查為乳腺癌篩查的首選方法。本文使用最新的人工智能方法對乳腺X線影像中的多類病灶進行檢測，其中乳腺內(nèi)淋巴結(jié)的檢測效果最好，敏感度能達到83.1%，其次是腫塊76.4%，但兩者的假陽率比較高，分別為35.7%和38.6%。就鈣化的檢測而言，其整體效果沒有腫塊和乳腺內(nèi)淋巴結(jié)的效果好，最好的是環(huán)形鈣化敏感度為75%，最差的是粗糙鈣化，敏感度為64.9%，但鈣化的整體假陽率非常低，環(huán)形鈣化的假陽率僅為0.6%。

嘗試使用最新的人工智能算法對乳腺X線影像進行智能檢測，可以同時對多類別病灶進行檢出和類別預(yù)測，并且乳腺X線影像可以不需要做復(fù)雜的預(yù)處理便可以輸入模型中進行預(yù)測。乳腺內(nèi)淋巴結(jié)檢測是本研究的一個亮點，以往的研究基本上都是對鈣化或者腫塊的檢測，很少有對乳腺內(nèi)的淋巴結(jié)腫大情況進行檢測。

本研究不足之處：①腫塊和乳腺內(nèi)淋巴結(jié)的假陽率較高；②需要大規(guī)模的人工標(biāo)注數(shù)據(jù)，這需要耗費很多醫(yī)生時間；③相對傳統(tǒng)的CAD系統(tǒng)檢測敏感度80%～90%而已。本研究整體的敏感度偏低，但值得注意的是本研究的敏感度評估是針對具體病灶的評估，而傳統(tǒng)的CAD評估是針對病例評估，本文研究病例量遠遠大于傳統(tǒng)的CAD方法。

本研究現(xiàn)階段僅僅只是用AI檢測了病灶，然而AI在乳腺鉬靶X線的作用遠非如此。研究發(fā)現(xiàn)乳腺腺體的致密程度與患乳腺癌的風(fēng)險成正比[18]，且對于高致密性腺體，因為病灶可能在致密腺體下面，從乳腺鉬靶影像中往往很難發(fā)現(xiàn)病灶。然而對于人眼不易分辨的病灶，計算機可能具有比較好的分辨力。在未來，AI可能能在預(yù)測乳腺致密程度，以及高致密型腺體的病灶檢測上發(fā)揮出好的的檢測效果。

AI還可通過對病灶進行良惡性鑒別以及識別癌癥是否轉(zhuǎn)移等來輔助醫(yī)生的臨床診斷。