人工智能在乳腺癌圖像分析中的研究進展

辛玉晶，周翔

國家癌癥中心/國家腫瘤臨床醫學研究中心/中國醫學科學院北京協和醫學院腫瘤醫院介入治療科，北京 100021

乳腺癌是全世界最常見的惡性腫瘤之一，也是導致女性惡性腫瘤死亡的主要原因，其發病率及病死率均逐年上升，且發病年齡呈年輕化趨勢，因此早期診斷尤為重要[1-2]。醫學影像作為疾病診斷的重要依據，具有嚴格的診斷標準和規范，因此基于醫學影像的人工智能分析開始得到廣泛研究和應用。近年來，隨著計算機技術的快速發展和醫療技術的進步，人工智能技術已經在乳腺癌的診斷、治療、藥物研發及預后中有了實質性的進展，未來輔助臨床指導治療和預后已成為必然趨勢[3-5]。隨著計算機技術的發展、數據的爆發式增長和各種高級算法的應用，智能機器人、語音識別、圖像識別、自然語言處理以及專家系統等技術被廣泛地應用于社會的不同領域，改變了人類的生活方式，提高了生活質量[6-7]。目前人工智能技術已在醫療成像、體外診斷、手術導航、輔助治療、健康大數據等方面得到了實際應用，并在提高腫瘤診斷率、新藥研發、改善診療體驗以及判斷患者預后等方面發揮了重要作用[8-10]。

1 人工智能圖像分析技術概述

醫療電子化和云計算平臺的快速發展為大規模收集醫療數據創造了有利的條件，推動了數據驅動的智慧醫療的發展，使得精準醫學成為可能。人工智能圖像分析模型可以從圖像數據中高通量地提取大量影像信息，實現腫瘤分割、特征提取與模型建立，對海量影像數據信息進行更深層次的挖掘、預測和分析[11-12]。因此，人工智能在乳腺癌篩查和檢測中的應用具有重要意義，不僅節約了放射科醫師和病理科醫師的時間，而且彌補了一些初學者經驗和技能的不足，可輔助醫師做出最準確的診斷，提高工作效率，節約醫療資源。而且，醫療智能化在解決醫療資源分配不平衡和相對匱乏方面也發揮著越來越重要的作用。

2 人工智能在乳腺癌影像學診斷中的應用

乳腺X線攝影、超聲、磁共振成像（MRI）等影像技術是乳腺癌檢出、分期、療效評估以及隨訪的重要手段，這些影像診斷方法將患者的病死率降低了30%[13-14]，但圖像處理和分析仍然需要依賴放射科醫師，需要更多的專業知識、經驗和時間。隨著數據驅動的人工智能時代的到來，智能模型可以對乳腺圖像進行挖掘、預測和分析，輔助醫師診斷，提高工作效率。

乳腺X線攝影是乳腺癌主要的早期篩查方式，基于計算機視覺技術的算法主要應用于計算機輔助診斷（computer aided diagnosis，CAD）系統，用來提高腫塊和鈣化灶的檢出準確性[15-16]。腫塊和微鈣化是乳腺癌的早期征象，通常很難將異常腫塊與正常乳腺組織區分開來，CAD系統有助于放射科醫師有效地檢測異常。Dheeba等[17]研究了一種基于人工神經網絡的乳腺數字圖像異常分類算法，該算法是根據從乳腺圖像中提取的紋理特征的規律，應用模式分類器對可疑區域進行分類，然后應用于含有216例乳腺鉬靶片的臨床數據庫，結果表明，該算法的受試者工作特征（receiver operating characteristic，ROC）曲線的曲線下面積為0.96853，靈敏度為94.167%，特異度為92.105%。Ragab等[18]提出了一種新的計算機輔助檢測系統，通過卷積神經網絡（convolutional neural network，CNN）進行特征提取，在公開數據集中進行測試，其準確度、特異度和靈敏度都得到了明顯改善。Kooi等[19]應用深度學習網絡檢測乳腺X線圖像的腫塊和鈣化，通過對455 000張有標簽的圖像進行訓練，準確度高達90%，超過了傳統的CAD系統。

近年來，除乳腺X線攝影外，超聲診斷乳腺癌的靈敏度也得到了提高，特別是對于致密型乳腺癌患者[20]。隨著彈性成像、超聲造影等新技術的發展，乳腺超聲在乳腺癌診斷中的作用正逐漸獲得重視。人工智能技術利用學習算法從超聲圖像中提取特征，建立模型，取得了較好的效果，目前基于超聲影像的人工智能圖像分析主要集中在乳腺癌的診斷以及結節分類等方面[21-24]。Han等[25]在一項研究中利用深度學習網絡分析乳腺超聲圖像，進而區分乳腺結節的類型，通過對7408個乳腺超聲圖像進行訓練，該網絡的準確度約為90%，靈敏度為86%，特異性為96%。Becker等[24]設計了一個通用的深度學習軟件（deep learning software，DLS），可根據乳腺超聲圖像對乳腺癌進行分類，并將其性能與有經驗的超聲醫師進行比較。該研究回顧性分析了647個超聲圖像，其中70%的圖像用于訓練，剩下的30%用于驗證性能，結果顯示其準確度與超聲醫師相當。說明基于人工智能的乳腺分類器有助于診斷乳腺病變，且較無經驗的醫師學習得更好更快，而且其評估速度較快，使得實時圖像分析成為可能。

乳腺MRI檢查較乳腺X線攝影和超聲具有更高的靈敏度和特異度。人工智能技術在乳腺MRI中主要用于乳腺病變分類、圖像處理、新輔助治療和預后的影像學隨訪[26-27]。Sutton等[28]利用深度學習網絡從178個乳腺癌MRI圖像中提取特征，從而鑒別乳腺癌分子亞型，并結合病理資料來提高模型的準確性，顯示了深度學習在MRI診斷乳腺癌中的廣闊前景。Braman等[29]對117例接受新輔助化療的乳腺癌患者的動態增強MRI圖像特征進行了高通量提取，通過腫瘤內和瘤周放射組學聯合的方法，成功地預測了新輔助化療后的病理反應，表明人工智能可在定量分析乳腺MRI圖像的基礎上識別和優化更準確、可靠的影像學標記，可用于預測惡性腫瘤患者的預后，并幫助開發更有效的個性化腫瘤治療模式。

3 人工智能在乳腺癌病理圖像分析中的應用

隨著人們對乳腺癌個性化治療需求的增長，臨床中迫切需要應用更準確的組織病理學診斷方法來提高乳腺癌的診斷質量。人工智能可通過特定的算法對病理圖片進行智能處理，通過訓練和優化算法，從而實現開發高精度、高效率的病理識別算法模型的目標。最近人工智能的突破有望從根本上改變乳腺疾病的診斷和治療方法[30-32]。Han等[31]通過深度學習模型對乳腺癌組織病理圖像進行了訓練、驗證和測試，對乳腺癌進行了多種分類，并取得了93.2%的準確率。另外，對前哨淋巴結（sentinel lymph node，SLN）進行組織病理學分析是評估乳腺癌分期的重要步驟。然而，病理學家評估SLN的靈敏度并不理想，而且SLN的評估既冗長又耗時。已有研究表明，深度學習算法能夠以100%的靈敏度識別SLN載玻片中的轉移，這可以顯著降低病理學家的工作量[31,33]。Ehteshami Bejnordi等[34]研究了深度學習算法在淋巴結病理圖像識別中的應用，其應用開發的檢測淋巴結轉移的人工智能算法對129張完整的載玻片圖像（49張有轉移，80張無轉移）進行獨立測試，從而評估算法的性能。同時11名病理學家組成的小組也評估了相同的測試集，在分類任務中，人工智能算法在診斷模擬方面明顯優于病理學家。但這種方法是否具有臨床實用性，仍需要在臨床環境中進行評估。

4 人工智能圖像分析技術存在的問題

從目前的臨床應用來看，人工智能在乳腺癌影像學診斷和病理圖像分析領域獲得了較好的應用。就研究結果而言，其較高的靈敏度和特異度有助于輔助臨床診斷和治療，但仍有很多問題不容忽視[35-36]。技術問題：①依賴高質量和大量的圖像數據。圖像數據的質量、數量和組成是影響人工智能影像分析準確性的關鍵因素，但其質量標準及最佳方案尚未明確。②過度擬合。模型的泛化能力不足，實用性較差。③通用性較差。因各地醫院的疾病譜、成像設備和攝像技師的差異，訓練出來的人工智能模型的通用性有待進一步確認。社會倫理問題：①人工智能的性能高度依賴于數據，因此研發和應用的過程中，在全國甚至全球范圍內使用臨床影像數據可能存在法律和倫理方面的問題。②任何系統都不可能是完美的，如果出現錯誤或錯誤信息導致患者受到傷害，責任承擔問題需要解決。③臨床醫療行為具有極其鮮明的人文特質，人工智能無法替代醫師對患者的交流與安慰，尊重患者隱私以及對患者隱私的保護也是一個潛在的問題[37-38]。

5 小結與展望

應用人工智能對乳腺癌圖像進行分析相對于傳統的影像識別具有更高的靈敏度和可信度，相對于臨床醫師具有更高的效率。而且人工智能在醫學上的應用可以為醫療資源匱乏的地區提供切實可行的解決方案，彌補了一些初學者經驗和技能的不足，從而輔助醫師做出最準確的診斷，為更多乳腺疾病患者提供早期篩查診治的醫療條件，改善患者的生活質量。目前基于人工智能的醫學應用領域很多，包括疾病診斷、科研、治療決策支持等諸多方面，其發展及應用的重要環節是人工智能技術與醫療工作的緊密結合，即醫師與計算機科學家或工程師的相互交流乃至深入合作。在乳腺癌領域應用人工智能，對乳腺癌患者的益處是可以預見的，但其研發及應用均存在很多尚待解決的問題，因此需要更多醫師和計算機專家的共同協作。人工智能技術為醫學事業注入了新的活力，將引發更廣范圍、更深層次的醫療變革。人們應以更加積極的態度迎接人工智能的到來，主動了解甚至研發人工智能，促進其發展。