人工智能聯(lián)合超微血管成像技術(shù)在乳腺結(jié)節(jié)診斷中的價(jià)值

叢小宇, 笪應(yīng)芬, 汪 成, 梁新鳳, 陳 民, 袁 杰

(上海交通大學(xué)醫(yī)學(xué)院附屬第九人民醫(yī)院黃浦分院, 1. 超聲科, 2. 乳腺外科, 上海, 200011)

乳腺癌是中國(guó)女性最常見(jiàn)的腫瘤,發(fā)病率位居女性惡性腫瘤首位,嚴(yán)重影響患者身心健康[1]。早發(fā)現(xiàn)、早診斷乳腺癌有助于患者進(jìn)行早期有效治療,改善預(yù)后[2]。常規(guī)超聲檢查作為乳腺癌早期篩查的主要影像檢查,其成本低、無(wú)輻射、分辨率高,能夠使患者盡早發(fā)現(xiàn)腫塊,實(shí)現(xiàn)采用更保守的手段進(jìn)行治療[3]。但常規(guī)超聲診斷乳腺影像學(xué)報(bào)告和數(shù)據(jù)系統(tǒng)(BI-RADS)受醫(yī)師經(jīng)驗(yàn)等主觀性因素影響,具有一定局限性[4]。S-Detect技術(shù)是一種基于深度學(xué)習(xí)的人工智能影像輔助診斷技術(shù),一定程度避免了醫(yī)師常規(guī)超聲檢查主觀性強(qiáng)的誤診風(fēng)險(xiǎn)[5]。研究[6-7]表明,乳腺結(jié)節(jié)微血流評(píng)估有助于腫瘤良惡性的鑒別診斷,智能3D-SMI技術(shù)通過(guò)三維圖像重建顯示病變血流架構(gòu),提供更立體全面的微血流信息,有助于鑒別乳腺結(jié)節(jié)的良惡性。本研究旨在評(píng)估智能3D-SMI技術(shù)與S-Detect技術(shù)聯(lián)合應(yīng)用輔助常規(guī)超聲檢查診斷的應(yīng)用價(jià)值。

1 資料與方法

1.1 一般資料

選取2021年1月—2023年2月上海交通大學(xué)醫(yī)學(xué)院附屬第九人民醫(yī)院黃浦分院的151例女性患者為研究對(duì)象,共192個(gè)結(jié)節(jié),直徑0.40～4.50 cm, 平均(1.85±0.90) cm; 患者年齡19～80歲,平均(52.72±14.03)歲。納入標(biāo)準(zhǔn): ① 所有患者均經(jīng)術(shù)后病理證實(shí),術(shù)前均由1名10年以上工作經(jīng)驗(yàn)的醫(yī)師行常規(guī)超聲、S-Detect技術(shù)和智能3D-SMI技術(shù)檢查并完整留圖; ② 腫塊最大直徑<5 cm者。排除既往有手術(shù)史、放化療史以及懷孕和哺乳期患者。本研究經(jīng)醫(yī)院倫理委員會(huì)批準(zhǔn)。

1.2 儀器與方法

1.2.1 常規(guī)超聲、3D-SMI技術(shù)檢查: 應(yīng)用Toshiba Aplio 900超聲儀(L14-5探頭,頻率5～14 MHz)進(jìn)行檢查。患者取仰臥位,充分暴露乳房,并對(duì)每個(gè)象限進(jìn)行多層面掃描。1名具有10年以上工作經(jīng)驗(yàn)的超聲醫(yī)生進(jìn)行檢查、留圖,測(cè)量病變部位的最大直徑,并記錄病變的大小、形態(tài)、方向、內(nèi)部回聲、鈣化等重要的超聲特征并存圖3D-SMI血流架構(gòu)。在雙盲法下,由2名超過(guò)10年豐富工作經(jīng)驗(yàn)的超聲醫(yī)生獨(dú)立對(duì)每個(gè)病變根據(jù)病灶二維超聲特征進(jìn)行BI-RADS分類,記錄結(jié)果并對(duì)3D-SMI血流架構(gòu)圖進(jìn)行分類。診斷不一致時(shí),咨詢主任醫(yī)師,并最終協(xié)商達(dá)成統(tǒng)一診斷。

1.2.2 S-Detect技術(shù)檢查: 使用三星RS80A型超聲儀(LA523探頭,頻率5～13 MHz)進(jìn)行檢測(cè)。選取最大長(zhǎng)徑切面及橫斷面分別凍結(jié),并啟動(dòng)內(nèi)置的S-Detect模式,病變可被診斷為良性或惡性。當(dāng)最大長(zhǎng)徑和橫斷面診斷不一致時(shí),分為2種診斷方式: 方式1(只要1個(gè)診斷結(jié)果為良性,則S-Detect技術(shù)診斷結(jié)果為良性)及方式2(只要1個(gè)診斷結(jié)果為惡性,則S-Detect技術(shù)診斷結(jié)果為惡性)。比較2種方式的診斷效能,選取診斷效能高的診斷方式作為S-Detect技術(shù)鑒別結(jié)節(jié)良惡性的最終診斷方式。

1.2.3 智能3D-SMI血流架構(gòu)的評(píng)估: 基于智能3D-SMI與其他乳腺微血管形態(tài)的研究,將血流架構(gòu)分為5型[8], Ⅰ型(無(wú)血管)、Ⅱ型(血流架構(gòu)呈線狀,病變內(nèi)見(jiàn)無(wú)交叉的少量血管)、Ⅲ型(血流架構(gòu)呈樹(shù)枝狀,可見(jiàn)病變內(nèi)微血管有分支)、Ⅳ型(血流架構(gòu)呈殘根狀,微血管排列扭曲,病變周?chē)执笈で难?2根)、Ⅴ型(血流架構(gòu)呈蟹足狀,病變周?chē)执笈で难堋?根)。本研究將血流架構(gòu)分型為Ⅰ型、Ⅱ型、Ⅲ型的結(jié)節(jié)判斷為良性結(jié)節(jié),將血流架構(gòu)分型為Ⅳ型和Ⅴ型的結(jié)節(jié)判斷為惡性結(jié)節(jié)。

1.2.4 三者聯(lián)合診斷: 若S-Detect技術(shù)診斷為良性, 3D-SMI技術(shù)診斷為惡性,則聯(lián)合診斷結(jié)果為惡性; 若3D-SMI技術(shù)診斷為良性, S-Detect技術(shù)診斷為惡性,則將BI-RADS分類升高1級(jí),本實(shí)驗(yàn)設(shè)定BI-RADS分類≤4 a的結(jié)節(jié)為良性, ≥4 b的結(jié)節(jié)為惡性。

1.3 統(tǒng)計(jì)學(xué)方法

采用SPSS 22.0軟件進(jìn)行統(tǒng)計(jì)學(xué)分析,采用卡方檢驗(yàn)分別比較不同組別的診斷效能,以病理結(jié)果為金標(biāo)準(zhǔn),繪制受試者工作特征(ROC)曲線,計(jì)算每條曲線的曲線下面積(AUC), 應(yīng)用Z值評(píng)估各組間AUC的差異,P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié) 果

2.1 病理結(jié)果

192個(gè)結(jié)節(jié)中,惡性80個(gè)(浸潤(rùn)性導(dǎo)管癌63個(gè),導(dǎo)管原位癌4個(gè),導(dǎo)管內(nèi)癌伴微小浸潤(rùn)3個(gè),乳頭狀癌7個(gè),浸潤(rùn)性小葉癌2個(gè),黏液癌1個(gè))和良性112個(gè)(纖維腺瘤66個(gè),硬化性乳腺病3個(gè),導(dǎo)管內(nèi)乳頭狀瘤14個(gè),乳腺增生2個(gè),間質(zhì)膠原化9個(gè),乳腺囊腫伴炎癥4個(gè),錯(cuò)構(gòu)瘤2個(gè),管狀腺瘤1個(gè),肌上皮瘤1個(gè),良性葉狀腫瘤1個(gè),炎癥5個(gè),脂肪壞死4個(gè))。

2.2 S-Detect技術(shù)不同診斷方式的結(jié)果

S-Detect技術(shù)診斷方式1和方式2的AUC值分別為0.791、0.741, 方式1的診斷效能較方式2高,差異有統(tǒng)計(jì)學(xué)意義(Z=2.048,P=0.041), 因此選擇方式1作為S-Detect技術(shù)的最終診斷方式。

2.3 常規(guī)超聲檢查、S-Detect技術(shù)、智能3D-SMI技術(shù)及三者聯(lián)合檢查結(jié)果

常規(guī)超聲檢查診斷的良性結(jié)節(jié)118個(gè),惡性結(jié)節(jié)74個(gè),敏感度、特異度和準(zhǔn)確度分別為70.00%、83.93%、78.13%; S-Detect技術(shù)檢查診斷的良性結(jié)節(jié)106個(gè),惡性結(jié)節(jié) 86個(gè),敏感度、特異度和準(zhǔn)確度分別為78.75%、79.46%、79.17%; 智能3D-SMI技術(shù)診斷的良性結(jié)節(jié)128個(gè),惡性結(jié)節(jié)64個(gè),敏感度、特異度和準(zhǔn)確度分別為71.25%、93.75%、84.38%; 三者聯(lián)合診斷的良性結(jié)節(jié)98個(gè),惡性結(jié)節(jié)94個(gè),敏感度、特異度和準(zhǔn)確度分別為90.00%、80.36%、84.38%。見(jiàn)表1和表2。

表1 不同檢查方法診斷良惡性結(jié)節(jié)的結(jié)果 例

表2 不同檢查方法對(duì)乳腺良惡性結(jié)節(jié)的診斷效能

2.4 不同方法的ROC曲線和AUC值

三者聯(lián)合診斷、常規(guī)超聲檢查、S-Detect 技術(shù)和智能3D-SMI技術(shù)的AUC值分別為0.852、0.770、0.791、0.825, 三者聯(lián)合診斷的診斷效能較常規(guī)超聲、S-Detect技術(shù)高,差異有統(tǒng)計(jì)學(xué)意義(Z=2.567,P=0.010;Z=2.533,P=0.011); 三者聯(lián)合診斷較智能3D-SMI技術(shù)的診斷效能高,但差異無(wú)統(tǒng)計(jì)學(xué)意義(Z=-0.982,P=0.326), 其他組間診斷效能差異無(wú)統(tǒng)計(jì)學(xué)意義(P>0.05), 見(jiàn)圖1。

圖1 常規(guī)超聲檢查、S-Detect技術(shù)、智能3D-SMI技術(shù)和三者聯(lián)合診斷的ROC曲線

3 討 論

乳腺癌作為女性最常見(jiàn)的惡性腫瘤,發(fā)病率逐年上升,對(duì)患者身心健康產(chǎn)生嚴(yán)重影響,迫切需要全面的影像檢查方法在早期準(zhǔn)確鑒別乳腺結(jié)節(jié)的良惡性[9]。常規(guī)超聲檢查在乳腺結(jié)節(jié)的良惡性鑒別中扮演著重要角色,但良惡性結(jié)節(jié)的部分影像特點(diǎn)具有重合性,且容易受醫(yī)師主觀性的影響,具有一定的局限性[10]。本研究首次將智能3D-SMI技術(shù)與S-Detect技術(shù)聯(lián)合應(yīng)用輔助常規(guī)超聲鑒別乳腺結(jié)節(jié)的良惡性,避免了單一技術(shù)檢查的缺陷和不足,聯(lián)合應(yīng)用明顯提高了乳腺結(jié)節(jié)良惡性鑒別的診斷效能,目前國(guó)內(nèi)尚未報(bào)道。

S-Detect計(jì)算機(jī)輔助算法基于人工智能和神經(jīng)網(wǎng)絡(luò),對(duì)大量的訓(xùn)練數(shù)據(jù)進(jìn)行“學(xué)習(xí)”,根據(jù)BI-RADS詞匯分析乳腺結(jié)節(jié)的形態(tài)學(xué)特征。最終提供了二分法的評(píng)估: “可能良性”或“可能惡性”[11]。一些研究[12-14]已經(jīng)證實(shí), S-Detect技術(shù)提高了對(duì)乳腺結(jié)節(jié),甚至小結(jié)節(jié)(<2 cm)良惡性診斷的準(zhǔn)確性。本研究151例患者的192個(gè)結(jié)節(jié)中, 80個(gè)結(jié)節(jié)經(jīng)病理檢查證實(shí)為惡性, 112個(gè)結(jié)節(jié)經(jīng)病理檢查證實(shí)為良性。S-Detect技術(shù)提示惡性結(jié)節(jié)86個(gè),良性結(jié)節(jié)106個(gè),其中40個(gè)被誤診。S-Detec技術(shù)診斷乳腺結(jié)節(jié)良惡性的敏感度、特異度和準(zhǔn)確度分別為78.75%、79.46%、79.17%。17個(gè)誤診為良性的惡性結(jié)節(jié)中, 8個(gè)結(jié)節(jié)直徑<1 cm, 邊界尚清, 2個(gè)結(jié)節(jié)內(nèi)微鈣化,誤診的原因可能與體積太小、惡性征象不明顯而無(wú)法被自動(dòng)分析有關(guān),而S-Detect技術(shù)的已知局限性是其不能分析結(jié)節(jié)內(nèi)的微鈣化、血流等參數(shù)。一些被S-Detect技術(shù)所忽視的微鈣化部分可以被超聲醫(yī)生從二維圖像中觀察出來(lái)。誤診為惡性的良性結(jié)節(jié)23個(gè): 纖維腺瘤13個(gè),導(dǎo)管內(nèi)乳頭狀瘤4個(gè),乳腺炎3個(gè),間質(zhì)膠原化1個(gè),肌上皮瘤1個(gè),硬化性腺病1個(gè)。造成診斷不準(zhǔn)確的原因可能與腫塊的位置和深度有關(guān)[15]。部分良性結(jié)節(jié)形狀不規(guī)則、邊緣不光整、邊緣成角或毛刺導(dǎo)致S-Detect程序錯(cuò)誤定義結(jié)節(jié)的邊界,可能歪曲結(jié)節(jié)的邊緣,導(dǎo)致誤診為惡性。本研究發(fā)現(xiàn), S-Detect技術(shù)的診斷效能未較常規(guī)超聲檢查增高,分析原因可能為樣本量較少,且S-Detect技術(shù)受限于超聲醫(yī)師主觀圖像切面的選擇。

SMI是一項(xiàng)通過(guò)自適應(yīng)算法進(jìn)行濾波處理雜波信號(hào)的新技術(shù),可以顯示CDFI圖像中難以顯示的低速血流,智能3D-SMI通過(guò)2D-SMI重建,更加直觀地評(píng)估微血流架構(gòu),較2D-SMI顯示更多的微血管及更全面、立體的血流信號(hào)[16]。惡性病變因細(xì)胞缺氧、增殖較快,誘導(dǎo)大量粗大、扭曲的新生血管生成,因此血流架構(gòu)Ⅳ型和Ⅴ型為其特異性血流征象,良性病變較惡性病變生長(zhǎng)緩慢,出現(xiàn)血管畸形和動(dòng)靜脈瘺的概率較小,因此血流架構(gòu)Ⅰ型、Ⅱ型和Ⅲ型為良性病變特異性血流征象,并且具有較好的觀察者一致性,重復(fù)性高[17], 使其通過(guò)血流架構(gòu)判斷乳腺結(jié)節(jié)良惡性成為可能。本研究智能3D-SMI技術(shù)提示惡性結(jié)節(jié)64個(gè),良性結(jié)節(jié)128個(gè),30個(gè)被誤診,原因可能與病灶直徑及位置深淺有關(guān),這是影響血流信號(hào)顯示的重要因素。隨著腫塊接近皮膚表面及最大直徑的增大,智能3D-SMI技術(shù)的良惡性診斷效能逐漸降低[18]。部分假陽(yáng)性病變?yōu)檠髫S富的炎癥,被誤診為惡性,部分假陰性病變?yōu)榉ρ╊惸[瘤易被誤診為惡性,如黏液癌,這些都會(huì)導(dǎo)致一定誤診率,因此需要多種檢查技術(shù)相互結(jié)合提高診斷的準(zhǔn)確性。

雖然本研究認(rèn)為, S-Detect技術(shù)對(duì)乳腺良惡性病變的鑒別診斷具有明確臨床價(jià)值,但仍有一定局限性。具體來(lái)說(shuō), S-Detect技術(shù)不能識(shí)別病變內(nèi)的微鈣化,但微鈣化是惡性腫瘤可疑的重要指標(biāo),而且該技術(shù)不能提示病變的血流情況, S-Detect技術(shù)可以自動(dòng)識(shí)別結(jié)節(jié),但如果結(jié)節(jié)很小或邊界不清,可能導(dǎo)致不適當(dāng)?shù)姆诸? 添加血流信息、彈性成像、螢火蟲(chóng)技術(shù)等其他參數(shù)可以進(jìn)一步提高診斷的準(zhǔn)確性[19]。本研究采用3種技術(shù)聯(lián)合診斷,減少了單一技術(shù)檢查的局限性,提供了結(jié)節(jié)的空間血流形態(tài),提高了良惡性結(jié)節(jié)鑒別的診斷效能。本研究的不足在于樣本量較少,應(yīng)當(dāng)擴(kuò)大樣本量,進(jìn)行多中心研究。還應(yīng)該針對(duì)分子亞型,運(yùn)用S-Detect技術(shù)與智能3D-SMI技術(shù)從分子生物學(xué)角度更全面分析、研究其診斷效能。人工智能S-Detect技術(shù)與智能3D-SMI技術(shù)聯(lián)合應(yīng)用對(duì)乳腺結(jié)節(jié)良惡性有較高的診斷效能,值得在臨床中推廣。