人工智能S-Detect 技術聯(lián)合BI-RADS 分類及Adler 分級法在乳腺腫塊診斷中的價值

李如冰，彭梅，畢玉，詹韻韻，姜凡，方明娣

（安徽醫(yī)科大學第二附屬醫(yī)院超聲診斷科，安徽 合肥 230601）

近年來，隨著外科手術及各種輔助治療手段的發(fā)展，早期乳腺癌的五年生存率已達90%。因此乳腺癌的早期篩查與準確診斷至關重要。目前對于乳腺腫瘤的影像學檢查方法包括超聲、鉬靶、磁共振等[1]。乳腺超聲檢查技術以其無創(chuàng)、可重復性等優(yōu)勢廣泛應用于臨床，但由于不同年資醫(yī)師對其理解程度有主觀上的差異與客觀上的誤差，導致對一些不典型乳腺腫塊的判斷容易誤診。美國放射學會（American College of Radiology，ACR）為規(guī)范乳腺影像學檢查報告和結果評估，制定并更新乳腺影像報告數(shù)據(jù)系統(tǒng)（BI-RADS）[2]，然而在臨床診斷中發(fā)現(xiàn)，良惡性乳腺腫塊之間仍存在較大的交叉重疊。本研究中采用的S-Detect 技術[3，4]是一種新的人工智能超聲輔助診斷技術，采用卷積神經(jīng)網(wǎng)絡深度學習算法，自動提取病灶特征綜合分析后給出診斷結果，但此項技術僅給出二分類結果，單一應用效能較低。因此，有部分研究[5-7]將BI-RADS 與S-Detect 技術聯(lián)合應用，但兩者均未將腫瘤的血供特征進行系統(tǒng)化的評估，而乳腺腫塊的血供特征是其良惡性鑒別的重要線索，Adler 分級法[8]可將血供特征半定量化進而評估腫塊的良惡性。基于此，本研究在BI-RADS分類基礎上，將血供特征采用Adler 分級法定義，與人工智能S-Detect 技術聯(lián)合以提高診斷效能，以期降低乳腺癌的誤診及漏診率，同時也減少不必要的手術及乳腺病灶的穿刺活檢，減輕患者的心理負擔、經(jīng)濟損失與手術創(chuàng)傷。

1 資料與方法

1.1 一般資料 收集2019 年9 月-2021 年7 月在安徽醫(yī)科大學第二附屬醫(yī)院醫(yī)院行超聲診斷檢查并留有完整圖像資料的患者121 例，共121 個乳腺腫塊，年齡18～75 歲，平均年齡（45.42±13.06）歲，結節(jié)最大長徑5～54.00 mm，平均最大長徑（22.48±10.42）mm。

1.2 納入及排除標準 納入標準：患者入院經(jīng)乳腺超聲檢查并行空心針穿刺或手術治療后病理確診的患者。排除標準：①妊娠期患者或哺乳期患者；②BI-RADS 診斷分類為0、1、2、6；③接受過放化療；④接受過穿刺活檢；⑤非腫塊性病變；⑥非乳腺原發(fā)病灶的患者。

1.3 方法 采用配備有S-Detect 軟件的Samsung RS80A 超聲診斷機型，線陣探頭，頻率3～12 MHz。①BI-RADS 診斷：患者仰臥位，雙手舉過頭頂，充分暴露兩側乳房，先對患者行常規(guī)超聲檢查，對腫塊進行BI-RADS 分類（圖1），結果記入A 組。②BI-RADS 聯(lián)合S-Detect 診斷：進入人工智能模塊，選擇最代表腫塊聲像圖特征的長軸及短軸切面進行，將光標移至腫塊中心位置，凍結后系統(tǒng)自動勾畫腫塊，若自動勾畫不滿意可選擇人工手動勾畫，系統(tǒng)進行分析并給出評價，當長軸和短軸結果不一致時，以惡性結果為準（圖2）。依據(jù)BI-RADS 分類基礎，S-Detect 評估為惡性的腫塊，分類結果上升一類別（已為最高類別者不再上調(diào)）；S-Detect 評估為良性的腫塊，分類結果相應降低一個級別（已為最低類別者不再下調(diào)），結果記入B 組。③BI-RADS 聯(lián)合SDetect 及Adler 分級法聯(lián)合診斷：在BI-RADS 聯(lián)合S-Detect 診斷結果基礎上，若Adler 分級法評級為惡性（圖3），病理結果見圖4，分類結果相應增加一個類別（若已為最高類別者不再上調(diào)）；若Adler分級法評級為良性，分類結果相應降低一個級別（若已為最低類別者不再下調(diào)），結果記入C 組。④BI-RADS 分類采用ACR 于2013 推出的BI-RADS版分類，為降低腫塊穿刺活檢率，認定0～3 類腫塊為良性，4A 類及以上腫塊為惡性。血流特征采用Adler 分級法定義：0 級：病灶內(nèi)無血流信號；Ⅰ級：病灶內(nèi)可見1～2 個點狀或者短棒狀血流信號；Ⅱ級：病灶內(nèi)可見3～4 個點狀血管或1 條較長的血管，其長度可接近或超過腫塊半徑；Ⅲ級：病灶內(nèi)可見5 個及以上點狀血管或2 條較長的血管，影像學意義：0、Ⅰ級為良性，Ⅱ、Ⅲ級為惡性[5]。

圖1 BI-RADS 分類

圖2 BI-RADS 聯(lián)合S-Detect 診斷

圖3 BI-RADS 聯(lián)合S-Detect 及Adler 分級法診斷

圖4 惡性病理結果

1.4 統(tǒng)計學方法 應用SPSS 23.0 及MedCalc 19.1 進行數(shù)據(jù)處理，計數(shù)資料采用[n（%）]表示，行χ2檢驗，用四格表計算BI-RADS、BI-RADS 聯(lián)合S-Detect、BI-RADS 聯(lián)合S-Detect 及Adler 分級法診斷乳腺腫塊良惡性的靈敏度、特異度和準確度，并繪制ROC 曲線、計算曲線下面積（area under curve，AUC），Z檢驗比較三種診斷方法間AUC 的差異，以P＜0.05 為差異有統(tǒng)計學意義。

2 結果

2.1 病理結果 121 個腫塊手術后病理結果顯示，良性56 個，惡性65 個。良性包括：纖維腺瘤10 個，腺病13 個，腺瘤29 個，導管內(nèi)乳頭狀瘤2 個，炎癥2個；惡性包括：浸潤性癌57 個，導管內(nèi)原位癌7 個，黏液腺癌1 個。

2.2 BI-RADS、BI-RADS 聯(lián)合S-Detect、BI-RADS 聯(lián)合S-Detect 及Adler 分級法的診斷效能比較 BIRADS、BI-RADS 聯(lián)合S-Detect、BI-RADS 聯(lián)合SDetect 及Adler 分級法診斷結果見表1，BI-RADS、BI-RADS 聯(lián)合S-Detect、BI-RADS 聯(lián)合S-Detect 及Adler 分級法的診斷效能見表2，三組診斷方法的AUC 分別為0.644、0.663、0.823。ROC 曲線顯示，聯(lián)合診斷乳腺腫塊優(yōu)于單獨應用BI-RADS、BI-RADS聯(lián)合S-Detect 技術，見圖5。

圖5 BI-RADS、BI-RADS 聯(lián)合S-Detect、BI-RADS聯(lián)合S-Detect 及Adler 分級法診斷乳腺腫塊良惡性的ROC 曲線圖

表1 BI-RADS、BI-RADS 聯(lián)合S-Detect、BI-RADS 聯(lián)合S-Detect 及Adler 分級法診斷結果比較（n）

表2 BI-RADS、BI-RADS 聯(lián)合S-Detect、BI-RADS聯(lián)合S-Detect 及Adler 分級法診斷效能比較（%）

3 討論

目前，乳腺癌為女性第一位惡性腫瘤死因[9]，女性乳腺腫瘤已經(jīng)超過肺癌成為全球發(fā)病率最高的腫瘤。每年約有230 萬的新發(fā)病例，占所有新發(fā)腫瘤病例的11.7%[10]。在我國，女性乳腺腫瘤每年新發(fā)人數(shù)約27 萬人，其也是我國女性最高發(fā)的惡性腫瘤[11]。由于人口基數(shù)大，我國女性乳腺癌發(fā)病人數(shù)及死亡人數(shù)均居世界首位，分別占世界女性乳腺癌發(fā)病和死亡人數(shù)的17.6%和15.6%[12]。而提高乳腺癌生存率的關鍵在于早診斷、早治療。美國放射學會提出的BI-RADS 分類系統(tǒng)標準化了世界范圍內(nèi)的乳腺超聲檢查報告，進一步提高了超聲檢查在乳腺腫塊鑒別診斷中的準確性，然而在臨床診斷中發(fā)現(xiàn)，乳腺良惡性腫塊之間仍存在較大的交叉重疊[13，14]，因此如何更客觀地評價乳腺病變的良惡性成為目前臨床亟需解決的難題。

近年來，以大數(shù)據(jù)、深度學習算法為基礎的AI技術正廣泛融入醫(yī)療領域，超聲與人工智能結合是數(shù)字醫(yī)療領域研究新熱點之一，計算機輔助診斷系統(tǒng)具有客觀、穩(wěn)定、可重復性高等優(yōu)勢，CAD 系統(tǒng)可以對圖像進行處理、分割及特征提取[15]，可以獲得比臨床醫(yī)師更多的信息，使診斷結果更加客觀、準確。本研究采用的S-Detect 技術[16]是一種新的人工智能超聲輔助診斷技術，于2015 年應用于臨床，國外目前主要在韓國、意大利等國家醫(yī)院有報道使用，國內(nèi)主要為北京協(xié)和醫(yī)院、中國醫(yī)科大學附屬醫(yī)院、第四軍醫(yī)大學唐都醫(yī)院等少數(shù)幾家知名醫(yī)院開展此項技術，省內(nèi)尚未有醫(yī)院常規(guī)開展。S-Detect 技術具有諸多特點：首先，可對圖像隨時反復閱讀，彌補臨床經(jīng)驗不足的缺點，降低操作者的依賴性，減少主觀錯誤，增強評價的客觀性；其次，超聲醫(yī)生通過多方位、多切面觀察，結合情況及病史，綜合多因素給出腫塊的BI-RADS 分類，但兩者均未將腫瘤的血供特征進行系統(tǒng)化的評估，而有研究表明血管生成在腫瘤生長和轉移中起著重要作用[17]。隨著乳腺癌的發(fā)展，腫瘤內(nèi)新生血管增多，此即為彩色多普勒超聲血流顯像的病理基礎[18]。本研究在BI-RADS 分類基礎上，將血供特征采用Adler 分級法定義，與人工智能SDetect 技術聯(lián)合以提高診斷效能，以期降低不典型乳腺癌的漏診率。

本研究結果發(fā)現(xiàn)，三種診斷方法的AUC 分別為0.644、0.663、0.823，BI-RADS 聯(lián)合S-Detect 及Adler 分級法的診斷效能優(yōu)于單獨應用BI-RADS 和BI-RADS 聯(lián)合人工智能S-Detect 技術，其中單獨應用BI-RADS 和BI-RADS 聯(lián)合人工智能S-Detect技術之間的診斷效能基本一致。其中，應用BIRADS 聯(lián)合S-Detect 及Adler 分級法后特異度上升（P＜0.05），表明此診斷方法提高了良性腫塊的診斷效能。美國放射學會（ACR）建議BI-RADS 4 類結節(jié)應穿刺活檢獲取病理診斷[19]。本研究中121 個腫塊在應用聯(lián)合診斷后，將原BI-RADS 分類評估的32個4A 類結節(jié)降級為3 類，使穿刺活檢率大大降低。這使只需定期隨診的腫塊減少了不必要的穿刺活檢，減輕了患者的心理負擔、經(jīng)濟損失與手術創(chuàng)傷。另外，本研究中聯(lián)合診斷前后靈敏度基本一致，可能是由于入組病例只選取了手術治療并獲得確切病理結果的病例，聯(lián)合診斷前BI-RADS 可能已達到較高的級別（4B 類及以上），聯(lián)合診斷后不能體現(xiàn)對這部分病例的靈敏度改變，對于這部分病例的診斷效能有待進一步研究。

對于超聲圖像特征不典型的導管內(nèi)原位癌等，其病灶發(fā)展為浸潤性癌甚至轉移的可能性很大，有研究發(fā)現(xiàn)多數(shù)導管內(nèi)原位癌可表現(xiàn)出惡性腫瘤的血流特征[20]，與本研究中7 例乳腺導管內(nèi)原位癌一致，聯(lián)合診斷對此類病例檢出率較高，因此可提高臨床及患者的重視度，早期干預治療降低病灶進展甚至轉移的可能性。

本研究的局限性：①樣本量較小，需進一步擴大樣本量；②只選取手術治療的病例，因此惡性病例偏多，存在一定的選擇偏倚；③血流特征未采用新興的超微血管成像，使診斷價值評估不夠全面；④為使得整個診斷過程簡便、客觀，避免主觀因素混雜影響，聯(lián)合診斷方法公式化，未能將結節(jié)內(nèi)鈣化情況、彈性、造影等因素體現(xiàn)在聯(lián)合診斷中。

綜上所述，BI-RADS 聯(lián)合S-Detect 技術及Adler 分級法可進一步提升對乳腺腫塊的診斷效能，對臨床干預與治療具有重要的指導意義。