RSNA2023 乳腺影像學

賀麗彤,劉志強,胡奇蘭,胡益祺,詹晨奧,霍敏,彭瀟,高利珍,艾濤

2023年RSNA年會中乳腺影像學方面的內容較往年更加豐富,本文將按照不同成像技術和方法對今年的研究熱點和進展進行闡述。

乳腺X線檢查

1．數字乳腺X線攝影(digital mammography,DM)

數字乳腺X線攝影是目前廣泛應用于乳腺癌篩查的成像技術。然而,傳統的DM仍然存在較高的召回率(RR)和漏診率。在這一背景下,人工智能(AI)的應用在DM中表現出顯著的潛力,既能夠提高乳腺癌篩查的效能,又能減輕影像醫生的工作負擔。Chang等研究了在DM閱片中使用基于AI的計算機輔助檢測和診斷(CAD e/x)對具有平均乳腺癌風險的韓國女性進行乳腺癌篩查的效果。結果顯示,對于DM閱片經驗較少的放射科醫生,基于AI的CAD e/x具有更好的輔助效果,其中使用AI的乳腺成像放射科醫師(BR)表現出最高的癌癥檢出率(CDR),盡管其召回率相對較低。

Heacock等討論了將先前的影像與AI相結合在乳腺癌篩查中的額外價值。通過測試四種AI模型,包括不同時間點的先前檢查數據,研究發現將先前的檢查添加到AI全數字化乳腺攝影/數字乳腺斷層攝影(AI FFDM/DBT)篩查模型中可以提高對浸潤性癌和導管原位癌(DCIS)的檢測敏感性。Lauritzen等通過RR、CDR、浸潤性癌發生率等指標評估了丹麥首都地區AI乳腺癌篩查的質量。研究結果顯示,AI篩查提高了CDR,降低了RR和假陽性(FP)率,特別是對于小的浸潤性癌的診斷更為常見。Park等評估了AI在乳腺癌保乳治療(BCT)后的篩查乳腺鉬靶中的臨床應用價值。通過分析乳腺影像專家的原始報告、獨立AI和決策轉診AI分診三種方式的CDR、RR和敏感度,研究結果顯示基于AI的分診能夠減輕放射科醫生的工作負擔,同時保持BCT患者篩查鉬靶的敏感性。Ha等評估了在5708例無癥狀乳腺致密型女性中,補充超聲(US)和輔助AI在篩查DM中的價值。結果顯示,單獨DM、DM+AI和DM+US的CDR分別為2.8、3.2、5.3,補充超聲顯示出比AI更高的癌癥檢測能力。尤其是在無AI召回的乳腺致密型女性中,補充超聲能夠檢測到額外的早期癌癥,因此,DM與AI的聯合使用尚不能完全替代補充超聲的必要性。此外,Polat等開發了一種深度學習(DL)算法,用于在DM中進行乳腺癌的自動診斷。研究結果顯示,該DL模型在不同種族和年齡間表現相似,對于表征軟組織病變和大小為10～15 mm的病變,其性能更為出色。DL算法在不同數據集中展現出較高的診斷性能,為大規模篩查分診提供了潛在的有效手段。

乳腺癌風險評估對于實現個性化篩查至關重要。Graewingholt等的研究發現,圖像衍生的AI風險模型能夠辨別未來兩年內可能患乳腺癌的女性,其平均風險評分是無癌女性的2.4倍(1.29%/0.54%)。特別值得注意的是,侵襲性癌癥,尤其是小葉癌的平均風險高于DCIS。因此,在篩查中采用AI風險工具進行評估,有助于對那些風險較高的女性進行層層分級,縮短篩查時間間隔以實現對癌癥的早期檢測。Kuhl等在多中心國際數據聯盟中開展了一項關于基于圖像的5年乳腺癌風險預測深度學習模型的研究,該模型在各中心的AUC為0.75～0.80。他們的研究還發現,與乳腺密度相比,基于圖像的深度學習模型在預測未來乳腺癌風險方面表現更為出色,為制定臨床決策提供了更有效的指導。Trivedi等進行了傳統乳腺癌風險模型(BCRAT和TC6)與DL風險模型的比較研究。結果表明,DL模型在預測5年乳腺癌風險方面優于傳統的風險模型。他們還評估了該模型在不同種族/民族、年齡、乳腺密度和乳腺癌家族史方面的表現,發現在所有亞組中,DL模型的AUC均在0.73及以上,且在W/NH和POC/H、<50歲和≥50歲、有和無乳腺癌家族史三個亞組間均無顯著差異。這提示DL模型減少了與傳統風險模型相關的性能差異。Demartini等和Lamb等的研究結果證實了該模型在預測浸潤性癌和DCIS的風險方面的有效性。Mayo等的研究結果表明,基于圖像的DL風險模型能夠識別40多歲的患者,其未來5年的乳腺癌風險與50～69歲患者相似,為40～49歲的患者和他們的醫生提供了關于何時開始篩查的更明智的決策。

此外,Lamb等比較了帶有和不帶有多基因風險評分(PRS)的DL和Gail模型的性能。結果顯示,DL模型的AUC為0.65,DL+PRS為0.72(P<0.05),Gail模型的AUC為0.50,Gail+PRS為0.68(P<0.001)。DL模型的AUC顯著高于Gail模型(P<0.001),但DL+PRS與Gail+PRS之間沒有顯著差異(P=0.34)。這表明通過添加PRS可以提高DL風險評估模型的性能。另外,將過去的檢查數據整合到AI風險評估模型中,可以進一步提高其預測性能。Lee等比較了AI-1(先前的DM)和AI-2(配對目前和先前的DM)兩種模型在乳腺癌風險預測中的表現。結果顯示C指數從AI-1的0.68增加到AI-2的0.73(P=0.004),證實了AI預測模型在識別未來乳腺癌的乳房X線攝影實質特征方面的可行性。引入縱向變化可以提高乳腺癌的風險分層,從而改善乳腺癌的個性化篩查。Goldberg等也證實了將多種成像模態(FFDM/DBT、US)和既往成像數據整合到AI乳腺癌風險評估模型中可以改善其預測性能,從而能夠根據個體隨時間推移的風險特征制定個性化、數據驅動和不斷發展的篩查方案。

數字乳腺X線攝影(DM)還可用于評估乳腺腺體密度。Cho等通過不同經驗水平的閱片者使用乳腺影像報告與數據系統(BI-RADS)乳腺密度類別、基于人工智能的計算機輔助診斷(AI-CAD)和自動體積密度測量程序(Volpara?)三種方式進行乳腺密度評估,并使用加權Kappa統計分析它們之間的一致性。研究結果顯示,乳腺成像專家和普通放射科醫生之間的一致性顯著(k=0.65),放射科醫生與Volpara?之間的一致性顯著(k=0.64～0.67),但與AI-CAD之間的一致性中等(k=0.45～0.58)。Schurz等的研究證實了校準AI閾值,以確保密度為C和D的女性與密度為B的女性具有相同的敏感度,是可行的。實施具有密度特定校準的AI-CAD系統可以提高篩查系統的公平性,為那些乳腺X線攝影密度較高的女性提供平等的篩查檢測機會。Choi等的研究評估了三陰性乳腺癌(TNBC)患者新輔助化療(NAC)后的乳房X線密度變化與治療和生存結果之間的關系。結果顯示,對于絕經前的婦女,NAC后對側乳腺密度降低10%或以上與病理完全緩解(pCR)獨立相關,但與對側乳腺癌以及局部復發和/或遠處轉移的發生無關。

乳腺動脈鈣化(BAC)已被確定為獨立的心血管風險因素,通過DM進行自動BAC評估的精確定量模型可以為心臟病提供輔助篩查工具。Jedidia等利用基于深度學習的軟件(iCAD)自動檢測和量化BAC,并與BAC手動評分進行比較,同時分析了顯著BAC AI評分(BAC AI評分≥5)對檢測顯著冠狀動脈鈣化(CAC評分≥4)的診斷性能。結果顯示,BAC AI評分與BAC人工評分高度相關(r=0.83,P<0.01),顯著BAC AI評分檢測顯著CAC的敏感度、特異度、陽性預測值(PPV)、陰性預測值(NPV)和準確率分別為32.7%、96.1%、71.2%、83.1%和81.9%。Parghi等在一項前瞻性、多中心的研究中探討了使用AI在篩查DM中檢測和評估BAC的準確性和可行性。結果顯示,AI算法在BAC檢測中具有較高的準確性,BAC的患病率和分布隨著年齡的增長而增加,可以為臨床決策和風險評估提供信息,并預測患者數量。此外,AI還可以大規模標準化BAC檢測,潛在地提高效率并減少觀察者之間的差異。

2．數字乳腺斷層攝影(digital breast tomosynthesis,DBT)

數字乳腺斷層攝影(DBT)是一種三維重建成像技術,通過進行容積數據采集后重建生成三維乳腺圖像,能夠清晰地顯示被正常腺體掩蓋的病變,從而提高乳腺疾病的檢出率。然而,相較于DM,DBT的閱片時間更長。人工智能(AI)的應用可以在不降低癌癥檢出率的情況下提高DBT的性能,減少召回率,并減輕放射科醫生的工作負擔。Yang等對28,278例篩查DBT中AI系統(Transpara 1.7.1,ScreenPoint Medical)的性能進行了回顧性分析。結果表明,AI評分在8～10之間對癌癥具有較強的預測價值,該系統有助于臨床決策,減少了活檢和召回率,并提高了癌癥檢出率。Haslam等研究發現,用于篩查DBT的AI可以幫助放射科醫生在整體上提高癌癥檢測性能,尤其是對于難以檢測的癌癥病例,進一步證實AI有助于更早發現這些癌癥。

與DM篩查相比,Weigel等認為盡管DBT篩查的診斷率更高,但仍需要獨立的雙重閱片來識別篩查檢測到的乳腺癌。Chen等的研究發現,在篩查環境中,DBT的閱讀時間是FFDM的兩倍,因此,在使用DBT進行乳腺癌篩查時,雙重閱片可能會增加篩查的工作量。McCabe等的一項回顧性多中心研究對522,078例篩查DBT進行了AI支持的額外審查(AIAR),結果顯示AIAR增加了癌癥檢出率,減少了假陰性,并同時最大限度地減少了在大型現實世界數據集中識別和召回高?；颊咚璧念~外工作量。Pacile等提出了使用兩個AI系統(密度AI和癌癥檢測AI)來分流篩查乳腺DBT,可以在保持癌癥檢出率不變的情況下減輕放射科醫生的工作量,并降低篩查女性被召回接受進一步檢查的比例。

此外,Philpotts等研究發現在篩查DBT中,晚期癌癥的發病率在不同種族之間略有不同,總體上沒有顯著差異。然而,與篩查DM相比,DBT篩查在白人和黑人群體中顯著減少了晚期癌癥的發病率,因此DBT篩查有助于減少晚期癌癥的發病率,尤其是在白人和黑人/非裔美國人中。他們還探討了DBT篩查間隔對晚期癌癥發病率的影響。結果顯示,非晚期癌癥篩查的間隔時間(平均542天,中位781天)明顯小于晚期癌癥篩查的間隔(平均634天,中位890天)(P<0.02)。篩查間隔在21個月(1.75年)之內,晚期癌癥的發病率相對穩定在27%～29%,之后上升到37%。因此,保持不超過2年的篩查間隔有助于減少晚期癌癥的發生。

準確診斷DBT上的結構扭曲(AD)是一項具有挑戰性的任務。Zhou等研究發現在DBT上,伴有結節密度的AD病變的惡性率較高(91% vs. 69%),而伴有微鈣化的AD病變的惡性率較低(38%)。具有相應超聲異常的病例與沒有異常的病例相比,其惡性率更高(72% vs. 24%,P<0.00001)。乳腺密度為A+B的患者的惡性率顯著高于乳腺密度為C+D的患者(75% vs. 53%,P=0.0011)。因此,通過更深入地了解伴隨特征和組織背景,以及借助輔助超聲的相應發現,可以改善DBT上表現為AD的病變的診斷。Zhang等發現影像組學模型在鑒別DBT中的結構扭曲方面的診斷性能優于深度學習模型,但深度學習中的梯度加權類激活映射(Grad-CAM)可以有效地定位結構扭曲的區域,從而有助于開發全自動乳腺癌計算機輔助診斷系統。

3．對比增強乳腺X線攝影(contrast-enhanced spectral mammography,CESM)

對比增強乳腺X線攝影(CESM)作為一種基于全數字化乳腺X線攝影的新檢查方法,通過利用腫瘤組織對碘對比劑的攝取,反映病灶血流動力學特點,能夠提高乳腺病變的檢出率和診斷準確率。Shehata等通過系統綜述和薈萃分析,對DM和CESM在乳腺癌檢測中的診斷準確性進行評價和比較,該分析最終包括了20項研究,涵蓋了3830個乳腺病變。結果顯示,CESM的敏感度(0.948 vs. 0.815)和特異度(0.732 vs. 0.576)顯著高于DM,且CESM的診斷優勢明顯優于DM(50.4 vs. 6.12)。因此,在乳腺癌檢測中,CESM表現出比DM更優異的診斷性能,臨床醫生應該考慮將CESM作為DM的替代或補充成像方式。Nissan等進行了一項回顧性分析,研究了609名乳腺極致密型女性的1300次篩查CESM,評估了CESM在這一特定人群中的乳腺癌篩查性能。結果顯示,CESM的敏感度為88.2%,特異度為87.7%,篩查鉬靶陽性發現(BI-RADS 0, 4, 5)的陽性預測值(PPV1)為6.6%,進行活檢的陽性預測值(PPV3)為23.4%,NPV為99.8%,表明CESM有可能作為對乳腺癌風險增加的乳腺極致密型女性進行補充篩查的一種方式。Patel等進行了一項前瞻性調查,研究了461例接受補充CESM篩查的DM陰性(BI-RADS 1或2)患者,結果顯示,CESM的補充癌癥檢出率為21.7/1000,具有高的特異度(0.922)和敏感度(0.917),與高風險監測MRI的結果相當。Rahman等通過回顧性比較CESM和DM在中度乳腺癌風險和乳腺致密型女性中的篩查效能。結果表明在該類人群中,與DM相比,CESM可以增加乳腺癌的檢出率,其增量檢出率為4/1000。Berg等證實了對于沒有乳腺癌個人史(PHBC)的高危人群,在DBT后進行CESM檢查可以顯著增加早期乳腺癌的檢出率,但CESM的假陽性召回率較高,且PPV3相對較低。因此,他們評估了乳腺密度、背景實質強化(BPE)、絕經狀態、既往放射治療(XRT)和當前內分泌治療對CESM假陽性召回(FPR)率的影響。結果顯示,FPR率在具有輕微BPE的絕經后女性中最低,為5.1%(180/3564),在具有中度-顯著BPE的絕經前女性中最高,為16.7%(62/371),因此可以通過減少此類患者的召回從而增加篩查CESM的凈獲益。Winkler等評估了不同水平的BPE對CESM篩查性能的影響,結果顯示,高BPE(顯著或中度)和低BPE(輕度或輕微)組間的CDR、PPV和間期癌率(IC)均無統計學差異。

CESM在正確識別乳腺良惡性病變方面表現卓越,能夠降低不必要的活檢次數,并在術前分期中發揮一定的價值。Pupo等研究發現,CESM中可疑微鈣化的強化在預測惡性腫瘤方面表現出較高的敏感度(96.5%),同時由于其較高的陰性預測值(97.4%),如果可疑微鈣化未顯示強化,可將其作為放射學隨訪的候選者,從而減少良性病變的活檢次數。Zeitouni等的研究證實CESM能夠辨別大多數病例中的惡性鈣化,與良性鈣化相比,惡性鈣化的強化率更高(P<0.001),不過大部分DCIS可能不會表現出強化。Suaris等對CESM上浸潤性癌、非浸潤性癌及良性病變的增強病變與背景實質之間的信號差百分比(%RS)進行了比較研究,結果顯示浸潤性癌(ML 1.64%,CC 1.51%)的增強強度明顯高于非浸潤性癌(ML 0.98%,CC 1.02%)和良性病變(ML 0.75%,CC 0.68%)(P<0.01)。因此,CESM中強化程度的定量分析可用于術前預測乳腺病變的組織學類型。Dai等開發的一種基于AI的CESM模型用于術前鑒別乳腺良惡性病變和原位癌。結果顯示,在良惡性病變鑒別中,結合深度學習特征和臨床特征(年齡、病變直徑)的AI模型在外部測試集中的AUC值為0.932,明顯優于表現最好的DL模型(RefineNet+CBAM AUC:0.893)和影像組學模型(Logistic回歸AUC值:0.674),此外,AI模型在浸潤性癌和原位癌的鑒別中也取得了令人滿意的結果,在內部測試集中的AUC值為0.822。AI模型提供了一種用于術前鑒別乳腺良惡性病變的自動、無創的方法,提高了CESM圖像識別的敏感性和特異性。Charalambous等通過對473例篩查DM為BI-RADS 3類的患者進行CESM和活檢,證實了CESM可以根據病變的強化類型更準確地預測良性病變。此外,他們還發現CESM中B3病變顯示為無強化,具有很高的陰性預測值,可避免16.9%的開放手術切除(OSE)。Liu等建立了一種基于CESM的影像組學-臨床模型,用于預測BI-RADS≥4A的病變的活檢結果。結果顯示,影像組學、臨床描述和影像組學-臨床模型的AUC分別為0.87、0.89和0.92,當敏感度為100%時,與放射科醫師的臨床描述相比,影像組學-臨床模型對初始臨床BI-RADS 4A(或4B)患者和CESM調整4A(或4B)患者的PPV分別增加了153%(或63%)和78%(或30%)。Liu等建立了一個量化CESM BPE的自動化系統,計算纖維腺體組織中增強像素的絕對面積(|BPE|)、整個乳腺區域的|BPE|(BPE_b%)以及纖維腺體組織區域的|BPE|(BPE_f%)三個測量值,并通過計算兩種類型臨界值閾值范圍的BPE測量值:數字化雙能量減影(DES)圖像的絕對像素強度(2000～2160)或DES與低能(LE)圖像的強度比(0%～200%),來評估其在惡性和良性患者中的特征。結果顯示,放射科醫師定性BPE的AUC為0.59,而定量BPE的AUC為0.63,因此,BPE的自動定量評估提供了可重現的措施,從而增加CESM的臨床效用。此外,Bellini等證實CESM在活檢證實的乳腺癌患者術前分期中具有較高的敏感度、特異度、NPV和PPV(分別為94.8%、95.9%、98.5%和86.4%),因此,CESM可用于乳腺癌術前管理和手術計劃的選擇,從而避免過度治療或治療不足。

CESM引導的乳腺病變活檢也備受研究關注。Alcantara等對CESM引導活檢與其他乳腺X線攝影引導技術[包括數字立體定向乳腺活檢(SBB)和DBT引導]的平均腺體劑量(AGD)進行了評估,同時研究了AGD與壓縮乳腺厚度(CBT)之間的關系。研究結果顯示,單次CESM引導活檢的AGD(1.48 mGy)與SBB(1.49 mGy)以及單次DBT探查(1.55 mGy)相似。此外,所有模式的AGD都隨著乳腺厚度的增加而增加,突顯了CESM引導在提高乳腺成像中可疑結果的可見性和診斷準確性方面的潛在優勢。Cao等進行了一項前瞻性研究,對94例患者中MRI檢出的114個BI-RADS 4A或以上的乳腺病變進行了立體定向CESM活檢,評估了活檢成功率、可能預測成功的因素、患者滿意度以及放射科醫生的信心水平。研究結果顯示,活檢成功率為61%(69/114),較大的病變和非腫塊樣強化(NME)病變的CESM活檢成功率更高?；颊邔κ中g整體的滿意度評分達到了4.8/5+0.7,同時,對于強化的病變,放射科醫生對活檢成功的信心評分為4.4/5+0.8。這項研究為CESM活檢的應用提供了指導信息,并明確了哪些MRI檢出的病變適合嘗試CESM活檢。

乳腺CT

Lee等在大規模篩查人群中研究了由放射科醫生評估的CT乳腺密度分級與乳腺癌風險之間的關系,并將結果與DM密度進行了比較。研究發現,相較于1級和2級患者,CT密度4級患者患乳腺癌的風險更高(相對風險為10.502)。值得注意的是,鉬靶和CT上的乳腺密度評估存在顯著相關性,兩位閱片者的一致性分別為0.770和0.941,而讀者之間的一致性也表現出良好的水平(鉬靶和CT的kappa值分別為0.613和0.701)。這一結果暗示,低劑量胸部CT掃描,用于肺癌篩查,有望在不損害一致性的前提下評估乳腺密度,提供乳腺癌風險信息,未來或將成為專用乳腺CT掃描研究的發展方向。

Xia等的研究證實,雙層探測器光譜CT(DLCT)的定量參數對于區分乳腺良惡性病變和預測乳腺癌免疫組化生物標志物表達水平具有一定的臨床應用價值。在Neubauer等的研究中,胸部光子計數CT(PC-CT)顯示出對乳腺癌進行補充性局部分期的可行性,相較于DM,其在T分期(TNM 8th Ed.)的診斷準確性、檢測到的腫塊數量與參考標準的相關性、以及對DCIS的敏感性和特異性等方面表現更優。此外,PC-CT在檢測硅膠乳房植入物的退行性改變和破裂方面也具有較高的診斷準確性。這一研究強調了對比增強胸部PC-CT在乳腺癌局部分期和植入物檢測方面的優勢,相較于DM,為未來的乳腺癌影像學提供了新的可能性。

乳腺超聲

1．常規超聲

超聲成像作為一種簡便易行、安全無創、無輻射、可重復性強、經濟實惠的檢查方式,在乳腺癌的診斷及腋窩淋巴結評估等方面發揮著重要作用。Ha等進行了一項回顧性分析,涉及993例接受超聲篩查的無癥狀女性,該研究檢測出非腫塊病變,并通過單變量和多變量邏輯回歸確定與惡性腫瘤相關的獨立臨床和影像學因素。多變量分析結果顯示,混合回聲、節段性分布、鈣化、后方聲影和病變大小是與惡性非腫塊病變相關的獨立因素,這些因素可用于診斷具有臨床隱匿性的惡性非腫塊病變。為了避免乳腺癌患者在乳頭乳暈復合體(NAC)切除后進行腋窩手術的過度治療,Pei等開發并驗證了一種基于原發腫瘤和淋巴結(LN)的臨床病理特征和超聲特征的諾模圖,用于預測腋窩淋巴結對新輔助化療(NAC)的反應。驗證集中的結果顯示,該諾模圖的AUC為0.85,敏感度為83.33%,特異度為73.72%。這為在NAC后LN轉陰的乳腺癌患者避免過度治療提供了一種可行的方法。

此外,超聲在乳腺密度評估中也具有一定的價值。Kaplan等評估了致密型乳腺中基于全乳超聲斷層掃描容積數據的自動乳腺密度(SV)與基于3D數字鉬靶(DM)的商業乳腺體積密度(Volpara)之間的一致性水平。同時,他們還評估了從這兩種模式中定量得出的BI-RADS密度與乳腺放射科醫生和技術人員的主觀乳腺鉬靶密度評估的一致性。結果顯示,在乳腺密度較高的女性中,SV、Volpara、放射科醫師和技術人員的BI-RADS密度評估具有良好的一致性。這強調了超聲在乳腺密度評估方面的可靠性和作用。

AI能夠自動識別成像信息并進行分類評估,提高超聲在乳腺影像中的應用價值。Zhou等進行了一項關于自監督預訓練Vision Transformers(ViT)在乳腺超聲分類中的應用的研究。結果顯示,隨機權重初始化的ViT、有監督預訓練的ViT和自監督預訓練的ViT的AUC分別為0.67±0.08、0.88±0.04和0.92±0.02。這表明自監督預訓練的ViT在乳腺超聲分類方面能夠提高診斷性能。因此,隨著深度學習的不斷發展,重新審視超聲在乳腺癌篩查中的作用是值得的。

Heacock等評估了將篩查乳腺超聲加入到FFDM/DBT AI系統中的附加價值。研究結果顯示,在12517名患者的測試集中(共21523次檢查),AI系統在多模態(DBT/FFDM/US)篩查檢查中實現了0.907的AUC,檢測到74.2%的乳腺癌,優于單獨的FFDM/DBT模型(AUC為0.849,敏感度為62.4%)和單獨的US模型(AUC為0.751,敏感度為50.2%),從而提高了乳腺癌的篩查性能。Cruz等證實了基于AI算法的軟件在預測二次超聲檢查中對乳腺病變惡性風險的高敏感性。這有助于避免對分類為良性或可能良性(BIRADS 2/3)的病變進行不必要的活檢。Reig等研究了單獨US、單獨FFDM/DBT以及多模態(FFDM/DBT+US)AI對有癥狀患者進行診斷評估的準確性。結果顯示,三種模型的AUC分別為0.944、0.864和0.956,敏感度分別為84.6%、60%和89.2%,表明多模態AI系統在癥狀診斷評估中顯示出比FFDM/DBT或US更高的乳腺癌檢測性能。Kapetas等評估了基線乳腺US是否可用于預測對新輔助化療(NAC)無反應的乳腺癌患者,并與標準B超和深度學習模型進行比較。結果顯示,橢圓形或圓形、邊緣淺分葉或毛刺、存在鈣化或水腫是pCR的獨立預測因子。使用以上指標所建立的模型在預測NAC無應答者中的準確率、敏感度、特異度、PPV和NPV分別為65%、82%、41%、67%和61%。相比之下,基于深度學習的模型的準確率、敏感度、特異度、PPV和NPV分別為72%、83%、55%、74%和69%。因此,乳腺超聲可以在NAC開始前準確預測乳腺癌患者對NAC的治療反應,而使用基線US檢查圖像的深度學習模型顯示出更高的診斷性能。

2．自動化乳腺超聲(automated breast ultrasound,ABUS)

自動化乳腺超聲(ABUS)是一種創新的三維立體超聲技術,能夠通過對乳腺進行逐層掃描采集全容積圖像,并自動重建生成橫軸面、矢狀面和冠狀面的三維圖像。該技術具有圖像標準化、操作人員依賴性低、可重復性高等優點。Choi等進行了ABUS和手持式乳腺超聲(HHUS)作為全數字化乳腺X線攝影的輔助手段的比較研究,重點評估了其在早期乳腺癌患者的局部腫瘤范圍術前評估方面的能力。研究結果證實,與HHUS/DM相比,ABUS/DM在診斷早期乳腺癌患者同側和對側乳腺癌方面顯示出非劣的敏感性和相似的特異性。因此,ABUS可作為HHUS的替代品,用于早期乳腺癌的術前分期。

Wermuth等對乳腺致密型女性進行了ABUS檢查的篩查召回率的比較研究,比較了當天篩查DM后立即進行ABUS檢查和在一年篩查間隔期內的某一天進行ABUS檢查的情況。結果表明,當在同一天解讀DM和ABUS時,單獨乳腺DM的召回率和組合DM/ABUS的召回率均增加。相反,當ABUS被解釋為耦合檢查時,ABUS的召回率低于與乳腺DM不耦合的ABUS,但兩者的乳腺癌檢出率沒有統計學差異。因此,合理安排ABUS需要考慮患者需求和最佳實踐工作流程。此外,AI在ABUS中的應用價值仍有待進一步研究。Kim等對AI-CAD在ABUS篩查解讀中的獨立性能進行了研究,結果顯示,AI-CAD在ABUS解讀中的敏感度為0.75,特異度為0.58,PPV為0.34,NPV為0.89。這提示放射科醫生應仔細復查AI-CAD系統的結果,以減少假陽性結果和提高召回率。

乳腺MRI

乳腺MRI以其高軟組織分辨率、多序列、多參數、多平面成像的特點而著稱,不僅提供了詳盡的解剖結構信息,還能反映病灶的功能性改變。因此,在乳腺癌篩查、良惡性病變的鑒別、預測預后和療效評價等方面,乳腺MRI具有重要的臨床價值。

1．常規乳腺MRI

術前MRI在檢測其他成像方式未發現的癌癥方面具有顯著的優勢,并對臨床治療方案的制定提供了有力的指導。Ozcan等對早期乳腺癌患者進行了術前乳腺MRI的評估,研究了其與手術類型、對側癌癥、無復發生存期(RFS)和總體生存期(OS)之間的相關性。結果顯示,術前MRI的使用與手術切緣、RFS或OS的改善無關,但它能夠發現在臨床和乳腺鉬靶中未顯現的對側乳腺癌,有助于在早期監測中減少對側乳腺癌事件的發生。Hwang等通過傾向評分(PS)分析確定了HER-2(+)、ER(-)乳腺癌患者術前MRI與手術結局之間的關系。研究結果顯示,有MRI組相較于無MRI組表現出較低的整體乳房切除率,但兩組在切緣陽性和再手術率方面沒有顯著差異。

越來越多的乳腺MRI應用于有乳腺癌病史(PHBC)女性的術后監測。Yoon等利用傾向評分匹配分析,評估了PHBC患者術后監測乳腺MRI與晚期第二次乳腺癌之間的關系。研究結果表明,未接受術后監測乳腺MRI組的晚期第二次乳腺癌發生率顯著較高。因此,PHBC患者進行術后乳腺MRI監測能夠降低晚期第二次乳腺癌的發生率,從而有助于降低乳腺癌的死亡率。Kim等對5832例PHBC患者的監測結果進行了回顧性分析,發現MRI的癌癥檢出率顯著高于乳腺鉬靶和超聲檢查,盡管其特異性較低。乳腺鉬靶更容易發現DCIS和HER-2(+)的腫瘤,而超聲檢查更容易發現浸潤性癌和HER-2(-)的腫瘤。此外,在6個月和1年的監測中,檢測到的第二次乳腺癌具有相似的腫瘤大小和淋巴結狀態。

腋窩淋巴結(ALN)狀態對乳腺癌患者的腫瘤分期、治療決策和預后都具有重要意義。乳腺MRI是目前用于評估ALN狀態的有效、無創的成像技術之一。Arjmandi等比較了MRI與US對乳腺癌腋窩淋巴結評估的準確性。結果顯示,MRI對淋巴結轉移的診斷優于US,陰性預測值更好,敏感性更高。最近,淋巴結報告與數據系統(Node-RADS)評分被引入以提供一個標準化的淋巴結侵犯(LNI)綜合評價,該評分主要通過評估淋巴結大小和結構(紋理、邊界和形狀),從而將其風險類別分為1(非常低)到5(非常高)五個級別。Maroncelli等研究了Node-RADS評分系統在乳腺癌患者區域淋巴結標準化評估中的診斷性能,同時評估了該評分系統在閱片者中的適用性和可行性。結果表明,基于CE-MRI的Node-RADS評分是LNI的獨立預測因子,對LNI的識別顯示出中至高的總體準確性,并可根據具體情況設定不同的診斷閾值,閱片者之間也具有很好的一致性,這為Node-RADS評分系統在乳腺癌患者區域淋巴結評估中的應用奠定了基礎。

Kapetas等比較了通過評估腫瘤的影像學和臨床特征與通過直接評估腋窩淋巴結(LNs)的影像學特征對乳腺癌患者淋巴結狀態的預測價值。結果表明,與LNs本身的影像學評估相比,乳腺癌患者的腫瘤特征對LN狀態的預測能力較差,因此,直接評估乳腺癌患者腋窩淋巴結的影像學特征比根據腫瘤的影像學和臨床特征預測其狀態更加準確。Eun等發現使用3T-MRI對腋窩LN進行基于機器學習的紋理分析有助于預測ALN轉移,并可能降低乳腺癌患者的腋窩手術。Dai等開發一種基于DCE-MRI的卷積神經網絡(CNN)和圖卷積網絡(GCN)相結合的深度學習模型,用于預測乳腺癌患者的腋窩淋巴結狀態,并通過RNA測序數據進行基因分析,探索其生物學機制;結果表明GCN-CNN融合的深度學習模型可以有效預測乳腺癌患者術前的ALN狀態,在生物學基礎探索中,高危組與介導腫瘤增殖的通路下調和微環境中抗腫瘤免疫細胞的浸潤有關。

乳腺癌NAC后腋窩的最佳管理方式仍不確定,目前仍取決于初始淋巴結負擔,對于N1疾病(≤3個淋巴結)則進行前哨淋巴結活檢(SLNB),對于N2疾病(≥4個淋巴結)則立即進行腋窩淋巴結清掃(ANC)。然而,這種方式并未考慮ALN對NAC的反應,如果治療后MRI上顯示淋巴結正常,則ANC相對來說是過度治療,如果在MRI反應有限的情況下,SLNB便顯得治療不足。Pervez等研究發現治療后MRI預測ALN狀態的特異度和PPV均較高。因此,初始N1狀態的患者若治療后MRI上持續存在淋巴結疾病則應進行空芯針活檢以確定腋窩病變殘留情況,若結果為陽性則立即進行ANC,而不是傳統SLNB,相同地,在N2疾病、術后MRI淋巴結正常和HER-2陽性狀態的患者亞組中,應考慮首先進行SLNB,而不是立即ANC。

MRI是美國國家綜合癌癥網絡(NCCN)和中國乳腺癌臨床診治指南推薦的NAC評價手段之一,可以對腫瘤大小、邊緣、殘余病灶、腫瘤退縮方式等進行客觀的評估。Sun等證實了乳腺水腫是Luminal亞型乳腺癌NAC治療反應的一個有價值的預測因素,而對腫瘤退縮模式的預測價值仍有待進一步研究。Sharafeldeen等開發了一種計算機輔助診斷(CAD)系統,可以通過提取MRI圖像中的腫瘤功能成像標記(ADC值)、紋理特征、灰度共生矩陣(GLCM)和灰度游程矩陣(GLRLM)四個特征來準確預測乳腺癌患者對NAC的反應。Cunha等探討了Luminal、HER-2(+)和三陰型(TN)乳腺癌患者NAC后的MRI緩解評價和病理學緩解評價與無病生存期(DFS)的相關性,共納入750例患者,分為放射學完全緩解(rCR)和pCR、非rCR和pCR、rCR和非pCR、非rCR和非pCR四組進行比較;結果表明NAC后的MRI緩解與病理學緩解之間的關聯可以更好地對乳腺癌患者的復發風險和預后進行分層,尤其是對于三陰性亞型。

此外,乳腺MRI還探索了新的內容。Wilpert等比較了乳腺MRI超分辨率深度學習加速T2加權Dixon序列(DL-T2)與標準T2加權Dixon序列(T2)的整體圖像質量特征,結果顯示DL-T2比標準T2的采集時間縮短了59%,且SNR、圖像質量和囊性病變的清晰度均較標準T2有所改善,因此,DL-T2的應用不僅可以提高乳腺MR協議的成本效益和時間效益,同時還可以使圖像質量得到進一步提升。另外,腫瘤浸潤淋巴細胞(TIL)在不同分子亞型乳腺癌(BC)中的表達不同。因此,Zhou等分析比較了HR(+)/HER-2(-)、HER-2(+)和TN型3種亞型中的TIL表達情況,同時分別比較了三種亞型中高與低TIL病例間的成像特征。結果顯示,HER-2(+)和TN型乳腺癌的TIL顯著高于HR(+)亞型,在HR(+)亞型中,高TIL的病例多出現瘤周水腫,在TN型中,高TIL病例的腫瘤形狀較規則,邊緣較清晰。以上結果提示了在建立MR影像組學模型預測TIL時,應針對不同亞型建立不同的模型。

2．乳腺動態增強磁共振成像(dynamic contrast-enhanced MRI,DCE-MRI)

DCE-MRI不僅能夠提供組織的血管生成、血容量或灌注和通透性信息,還可清晰顯示乳腺病變形態學特征,從而在腫瘤鑒別診斷、預后評估和療效評價中發揮重要作用。Ha等使用深度學習模型,通過單次造影前MRI序列模擬合成造影后乳腺MRI圖像,其峰值信噪比(PSNR)和結構相似性(SSIM)分別為27.1和0.87。Venkata等使用深度學習方法,通過使用造影前圖像(Pre-contrast)和合成低劑量(Synth-low)圖像來合成造影后乳腺MRI圖像(Synth-Gad),評估真實造影后(Real-Gad)圖像和Synth-Gad圖像之間的相似性指標(PSNR和SSIM)及增強動力學曲線。結果顯示,Real-和Synth-Gad之間的平均PSNR和SSIM分別為31.55±3.26 dB和0.85±0.07,Synth-Gad圖像中存在的增強模式與Real-Gad相似,且其SI也相似。因此,DL劑量降低模型可降低乳腺MRI檢查中的對比劑劑量,減少患者和環境的GBCA暴露。

研究發現,BPE水平的升高與乳腺癌發病風險的相關性強于乳腺密度。McCarthy等探討了接受MRI篩查的BRCA1/2突變攜帶者中BPE與乳腺癌風險的相關性,采用Cox比例風險回歸進行分析。結果表明,在校正了年齡、卵巢切除狀態、BRCA1 vs. BRCA2突變和乳腺體積密度(VBD)后,較高的BPE比值與乳腺癌風險增加顯著相關(HR=1.15,95%CI:1.02～1.28,P=0.044),因此,納入MRI的BPE定量測量可改善BRCA1/2攜帶者的乳腺癌風險評估。盡管BPE是乳腺癌研究領域的關鍵焦點,但目前仍缺乏標準化的定性和定量評估,這在其作為乳腺癌風險標志物的評價中造成了一定的障礙。Franzes等探討了BPE定性和定量評估之間的關系,發現定性和定量BPE評估之間的一致性一般,因此,有必要進一步研究乳腺癌風險與定量BPE測量之間的關系。

超快速動態對比磁共振成像(UF-DCE MRI)在注射對比劑后立即掃描多幀圖像,可以在BPE出現前顯示病變。了解病變評估的最佳時間有助于解釋和改進UF-DCE方案。因此,Kataoka等研究了UF-DCE MRI評估病變的最佳時機及其與BPE和病灶特征的相關性。結果顯示,UF-DCE MRI評估乳腺病變的最佳時間的第一幀和最后一幀為12.6和19.6(分別為對比劑注射后的31秒和57秒),對于BPE顯著的患者可以稍早評估,對于良性病變或較小的病變可以稍晚評估。

NAC會影響腫瘤形態、血管分布和細胞密度,DCE-MRI對腫瘤存在和血管信息具有高敏感度。近年來,機器學習(ML)分類器逐漸被用于建立乳腺癌新輔助治療(NAT)后pCR的高性能預測模型。Li等通過從增強前和增強后第一期T1WI圖像中提取影像組學特征,使用七個機器學習分類器(SVM、RF、extraTrees、DT、KNN、XGBoost、LightGBM)分別建立預測模型。結果顯示,基于LightGBM的影像組學模型在預測乳腺癌pCR方面表現出優越的性能,而在亞組分析中,RF和DT分別在預測Luminal和TN乳腺癌的pCR中具有最高的AUC。Kim等使用3D ResNet 50通過852名HER2+或TN型乳腺癌患者的NAC術后DCE-MRI的第一、第三和第五期減影圖像數據,開發了一種深度學習MRI模型以預測NAC后的pCR;結果表明第三期動態階段的深度學習模型在預測HER2+或TN型乳腺癌患者的pCR方面表現最佳,AUC為0.70。Winkler等研究發現基于DL的MR模型預測NAC后pCR的性能因亞型而異,TNBC(AUC=0.78)顯著優于HER-2(+),相比之下,CP(臨床病理)模型對TNBC的表現較差(AUC=0.55),這表明結合影像圖像和CP對預測pCR具有協同潛力。

TNBC具有高度異質性,不同患者對新輔助化療的反應不同。Gao等發現整合影像組學、臨床病理學和基因組特征的基于DCE-MRI亞區的影像基因組學模型(GPRM)可以同時預測TNBC的療效和預后,幫助識別可能未達到pCR的患者,從而幫助臨床醫生做出適當的治療和手術決策,并最終改善患者的預后。Duong等探討了在NAC治療的過程中乳腺DCE-MRI評價殘留腫瘤的最佳造影后時間;結果顯示,T1時的TTP為265 s,T2時為314 s,T3時為385 s,這可能是由于NAC期間的抗血管生成治療作用,提示了DCE-MRI方案應包括延遲后動態序列,此外,與非pCR患者相比,pCR患者的腫瘤從T0至T1的TTP變化顯著更大(183s vs. 15s,P<0.05),提示其可能是預測pCR的一種新的生物標志物,但需要進一步研究。

3.擴散加權成像(diffusion-weighted imaging,DWI)

乳腺磁共振擴散加權成像(DWI)是一種功能性的MRI技術,通過測量體內水分子的運動來反映組織的細胞性、血管性、微觀結構等信息。它無需靜脈注射釓對比劑即可獲得較高的病灶對比,然而,其掃描時間較長且空間分辨率欠佳。Sauer等運用用于減少掃描時間的深度學習k-空間-圖像重建方法(DL-DWI)和提高空間分辨率的插值算法(SRDL-DWI)對采集的DWI原始數據(標準DWI)進行處理,并由三名閱片者評價其總體圖像質量。結果顯示,所評估的深度學習方法有助于在不影響圖像質量的情況下顯著縮短采集時間。Christner等分別對b值為800 s/mm2和1600 s/mm2的DWI圖像和DCE圖像中的病變形態學進行比較,兩名放射科醫生獨立評估每位患者三個數據集中的病變可見性和BI-RADS形態學標準。結果表明,無論DWI圖像的b值如何,惡性病變的可見性比良性病變更好(P<0.001),腫塊性病變比非腫塊性病變更容易評估(P<0.001),而病變大小的評估在標準b值800 s/mm2圖像上更為精確。

DWI在乳腺癌的篩查、良惡性病變的鑒別和預后預測中均顯示出良好的應用前景。Shin等對前瞻性、多中心DWIST(Diffusion-Weighted Magnetic Resonance Imaging Screening Trial)的第一年結果進行了分析,共納入1046名進行乳腺癌篩查且具有BRCA突變或乳腺癌家族史和終生風險≥20%的高危女性。以組織病理學作為參考標準,比較了乳腺鉬靶(MG)、US、DCE-MRI、DW-MRI及其組合成像模式在浸潤性癌和原位癌檢測中的表現。結果顯示,DW-MRI對浸潤性癌(MG vs. US vs. DW-MRI vs. DCE-MRI:53.6% vs. 67.9% vs. 82.1% vs. 92.9%)和原位癌(18.2% vs. 36.4% vs. 54.5% vs. 90.9%)的檢出率高于MG和US,但低于DCE-MRI。聯合MG和DW-MRI對浸潤性癌的CDR為85.7%,原位癌為63.6%,表明DW-MRI有望用作乳腺MG的補充篩查工具。

Lima等僅使用DW-MRI數據訓練了一種無分割的AI機器學習模型來鑒別乳腺良惡性病變,并與基于BI-RADS的標準乳腺DCE-MRI進行比較。結果顯示DWI-AI的特異性度優于標準乳腺DCE-MRI(81.4% vs. 74.4%),而敏感度略低(85.9% vs. 98.8%),表明其作為標準乳腺MRI補充診斷的巨大潛力。

Sun等研究了DW-MRI在不使用機械振動的情況下對乳腺病變的組織彈性進行定量評估的潛力,并評估DW-MRI和US剪切波彈性成像之間的關系。采用超聲彈性模量(μUSE)測量剪切模量,根據DW-MRI(b=200和800 s/mm2以及b=200和1500 s/mm2)計算移位表觀擴散系數(sADC),并轉換為基于DW-MRI的虛擬剪切模量(μDiff),通過μUSE和μDiff來評估乳腺病變。結果顯示在所有乳腺病變中,μUSE與sADC200～800和sADC200～1500之間存在中度相關性(r=-0.49、-0.44,P<0.05),其區分乳腺良惡性病變的AUC分別為0.78、0.89、0.89,DW-MRI顯示了在不需要機械振動設置的情況下作為MR彈性成像的替代方法用于非侵入性乳腺病變彈性評估的潛力。

Dong等探討了將常規乳腺MRI上的影像學表現與6種DWI模型(Mono、IVIM、SEM、DKI、FROC和CTRW)的定量參數相結合在預測浸潤性導管癌分子亞型中的應用價值。結果表明聯合診斷模型具有較高的診斷價值,對臨床個體化治療策略的制定具有指導意義。Lin等探討了體素內不相干運動擴散加權模型(IVIM-DWI)和DCE-MRI對乳腺癌分子亞型的預測價值,結果顯示DCE的速率常數(Kep)、容量轉移常數(Ktrans)、血管外細胞外間隙容積比(Ve)以及IVIM模型的標準表觀擴散系數(ADCstandard)、慢速擴散系數(ADCslow)對不同分子亞型有一定的預測價值,可為臨床制定個性化治療方案提供重要參考。

淋巴血管浸潤(LVI)是乳腺癌血液轉移的高危因素,提示乳腺癌患者復發轉移風險較高,預后較差。MRI術前評估LVI狀態有助于危險分層,從而指導乳腺癌患者的臨床管理。Yang等前瞻性納入22例經活檢證實的乳腺癌患者,探討基于振蕩梯度自旋回波(OGSE)序列的DW-MRI對淋巴血管浸潤(LVI)狀態的預測價值,通過MATLAB軟件計算細胞內體積分數(Vin)、平均細胞外擴散系數(Dex)、平均細胞尺寸(D)以及細胞性4個定量參數。結果表明,與LVI陰性組相比,LVI陽性組患者的Dex值顯著降低,AUC為0.985。

4.多參數MRI

Liu等基于T2WI和DWI序列,運用高斯過程(GP)、支持向量機(SVM)以及邏輯回歸等機器學習技術,開發了一種非增強影像組學模型,旨在鑒別乳腺良惡性病變,并將其與結合對比后Ⅰ期圖像的增強模型和放射科醫生的診斷模型進行了比較。結果顯示,基于GP分類器的非增強模型表現最佳,在測試集中的AUC為0.818～0.840。其診斷準確性與放射科醫生及增強模型相當,彰顯該模型在未來乳腺癌篩查中的潛在價值。Kim等對新診斷為乳腺癌的女性DCE上檢測到的額外病變進行了回顧性研究,采用DWI和DCE聯合的多參數MRI進行良惡性鑒別。結果顯示,單獨使用DCE MRI的敏感度為98.5%,特異度為29.6%,準確率為59.4%。多參數MRI的敏感度為75.2%,特異度為76.3%,準確率為75.8%。這證實了結合DWI的多參數MRI有助于提高新診斷為乳腺癌的女性患者DCE檢測到的額外病變的特異度和準確率。Kim等評估了浸潤性乳腺癌患者原發腫瘤的多參數MRI特征是否與腋窩淋巴結腫瘤負荷相關。兩名放射科醫師獨立評估T2WI圖像上的瘤周水腫和瘤內壞死,并通過手動將感興趣區置于乳腺腫瘤內來測量平均、最小和最大表觀擴散系數(ADC)值。同時,也分析了計算機輔助診斷(CAD)評估的乳腺癌定量動力學特征和臨床病理特征。結果表明,T2WI圖像上的瘤周水腫和DWI圖像上的乳腺癌最大ADC值有助于預測浸潤性乳腺癌患者的腋窩淋巴結腫瘤負荷。

BI-RADS第六版更新

BI-RADS由美國放射學院(ACR)于1993年制定和出版,規范了乳腺影像檢查的術語、評估分類、影像數據收集和報告,旨在降低乳腺影像解讀中的誤差和混淆。經歷了1995年、1998年、2003年和2013年四次修訂,第五版(2013年)BI-RADS沿用至今。在總結乳腺影像技術發展和臨床實踐經驗的基礎上,ACR計劃于2024年發布第六版BI-RADS,并在RSNA大會中對其更新內容進行了初步報道。

第六版BI-RADS引入了結構化臨床指征的描述,以便進行研究數據的收集。乳腺鉬靶部分的所有圖像進行了更新和擴充,盡可能包括SM/DM組合成像的示例。鑒于DBT的低召回率和高癌癥檢出率,在第六版的指南章節中增加了與DBT相關的內容,為放射科醫生的影像解讀提供幫助。此外,對乳腺鉬靶的術語進行了更新,腫塊中恢復了“分葉狀”的形狀描述,刪除了邊緣“微分葉”的描述;在典型良性鈣化中刪除了“爆米花”樣鈣化,直接表述為“粗大”鈣化,并由“分層狀鈣化”代替原先的“鈣乳鈣化”;在不對稱中刪除了“進展性不對稱”的描述。

超聲可以區分乳腺組織的成分,腺體表現為低回聲,基質表現為高回聲。因此,第六版將腺體組織含量分為極少、少量、中等和致密四種。隨著超聲成像設備和技術的不斷發展,以及超聲科醫生對乳腺超聲相關知識的進一步理解,第六版BI-RADS增添了對“非腫塊”樣病變的描述和評估,并在相關特征部分引入了“回聲環”的描述。由于淋巴結的評估對乳腺病變的分期和治療方式選擇至關重要,第六版對淋巴結的評估更為詳細,包括乳房內淋巴結、腋窩淋巴結(Ⅰ、Ⅱ、Ⅲ組)、內乳淋巴結和鎖骨上淋巴結的分別評估。

關于乳腺MRI的術語也進行了一定的更新。在影像發現部分刪除了“點狀病變”的描述。對于≤5 mm的孤立的點狀強化灶,如果滿足腫塊的標準或特征,則描述為“小腫塊”;否則,描述為“小的局灶性非腫塊樣強化”;在腫塊的描述方面,第六版重新將“分葉狀”作為一項獨立的形狀描述,將邊緣“不規則”修改為“不平整”,以避免與形狀“不規則”相混淆,并添加了“T2信號強度”的描述。此外,在報告系統中將BI-RADS 4類病變細分為4A～C;對BI-RADS 6類病變的額外同側病變進行了相應描述。