基于深度學(xué)習(xí)的乳腺X線(xiàn)輔助診斷系統(tǒng)對(duì)乳腺鈣化檢出和良惡性分類(lèi)的臨床價(jià)值

摘要：目的" 探討基于深度學(xué)習(xí)的乳腺X線(xiàn)輔助診斷（DL）系統(tǒng)對(duì)乳腺鈣化檢出和良惡性分類(lèi)的臨床價(jià)值。方法" 回顧性分析在2020年1月～2022年12月在徐州市中心醫(yī)院接受雙側(cè)乳腺X線(xiàn)檢查的400例患者的頭尾位和內(nèi)外斜位影像資料。以2位具有15年以上乳腺X線(xiàn)診斷經(jīng)驗(yàn)的副主任醫(yī)師對(duì)乳腺鈣化的一致判斷作為標(biāo)準(zhǔn)組，由1位低年資住院醫(yī)師、1位高年資主治醫(yī)師和DL系統(tǒng)分別盲法獨(dú)立閱片，經(jīng)過(guò)4周洗脫期后，由聯(lián)合模型（低年資醫(yī)師+DL系統(tǒng)）再次盲法獨(dú)立閱片。結(jié)合雙向表χ2檢驗(yàn)，評(píng)價(jià)不同乳腺ACR類(lèi)型、鈣化形態(tài)和分布、BI-RADS分類(lèi)對(duì)鈣化檢出的影響，并采用ROC曲線(xiàn)下面積（AUC）評(píng)價(jià)低年資住院醫(yī)師、高年資主治醫(yī)師、DL系統(tǒng)和聯(lián)合模型（低年資住院醫(yī)師+DL系統(tǒng)）對(duì)可疑鈣化檢出的性能差異。結(jié)果" 1600幅圖像（400例患者）共檢出BI-RADS 3級(jí)及以上可疑鈣化975處。低年資住院醫(yī)師A，高年資主治醫(yī)師B、DL系統(tǒng)和聯(lián)合模型對(duì)鈣化檢出的敏感度分別為81.95%、96.62%、93.03%、96.41%。高年資主治醫(yī)師B、DL系統(tǒng)和聯(lián)合模型對(duì)鈣化檢出的敏感度不受乳腺ACR類(lèi)型、鈣化形態(tài)和分布、BI-RADS分類(lèi)影響，而低年資住院醫(yī)師A對(duì)鈣化檢出的敏感度受其影響。聯(lián)合模型（低年資住院醫(yī)師+DL系統(tǒng)）在預(yù)測(cè)鈣化良惡性方面具有良好的AUC值、敏感度和特異性，分別為0.891、90.0%和88.2%，和低年資住院醫(yī)師之間存在差異（Plt;0.01）。在DL系統(tǒng)幫助下，低年資住院醫(yī)師的診斷性能得到明顯改善，AUC值由0.740提升到0.891。結(jié)論" DL系統(tǒng)對(duì)BI-RADS 3級(jí)及以上可疑鈣化檢出敏感度高且具有較高的良惡性鈣化分類(lèi)性能，與高年資主治醫(yī)師相當(dāng)。在DL系統(tǒng)的幫助下，低年資醫(yī)師可以減少鈣化漏診、誤診，提高乳腺癌篩查和診斷的準(zhǔn)確性。

關(guān)鍵詞：乳腺X線(xiàn)攝影；可疑鈣化；深度學(xué)習(xí)；乳腺癌；人工智能

Clinical value of a deep learn?based mammography assisted diagnosis system for breast calcification detection and benign and malignant classification

ZHAI Tianxu1， ZHANG Mingwei1， ZHANG Ziqiu1， KONG Deyi2， LI Dechun1

1Affiliated Xuzhou Clinical College of Xuzhou Medical University， Xuzhou 221009， China; 2Department of Radiology， Xuzhou Central Hospital， Xuzhou 221009， China

Abstract： Objective To investigate the clinical value of the deep learning-based mammography-assisted diagnosis （DL） system for breast calcification detection and benign and malignant classification. Methods A retrospective analysis was performed on the craniocaudal and internal and external oblique imaging data of 400 patients who underwent bilateral mammography in Xuzhou Central Hospital from January 2020 to December 2022. The unanimous judgment of two associate chief physicians with more than 15 years of experience in mammography diagnosis was used as the standard group， the images were blinded and independently reviewed by 1 junior resident， 1 senior attending physician， and the DL system， respectively. After a 4-week washout period， the images were blinded and independently reviewed by the combined model （junior resident+DL system） again. Combined with two-way table chi-square test ， the effects of different ACR types， morphology and distribution of calcification， and BI-RADS classification on the detection of calcification were evaluated. The area under the curve （AUC） was used to evaluate the difference in the detection of suspicious calcification among junior residents， senior attending physician， DL system and combined model （junior resident+DL system）. Results A total of 975 suspicious calcifications of BI-RADS3 grade and above were detected in 1600 images （400 patients）. The sensitivities of junior resident A， senior attending physician B， DL system and combined model were 81.95%， 96.62%， 93.03% and 96.41%， respectively. The sensitivity of senior attending physician B， DL system and combined model to calcification detection was not affected by breast ACR type， morphology and distribution of calcification， and BI-RADS classification， while the sensitivity of junior resident A was affected by it. The combined model （junior resident + DL system） had high AUC value， sensitivity and specificity in predicting the benign and malignant nature of calcifications， with 0.891， 90.0% and 88.2%， respectively， which differed from that of the junior resident （Plt;0.01）. With the help of the DL system， the diagnostic performance of the junior resident was significantly improved， and the AUC value increased from 0.740 to 0.891. Conclusion The DL system is highly sensitive to the detection of suspicious calcifications of BI-RADS 3 grade and above， and has a high classification performance of benign and malignant calcifications， which is comparable to that of senior attending physician. With the help of the DL system， the junior resident can reduce the missed diagnosis of calcification and misdiagnosis， and improve the accuracy of breast cancer screening and diagnosis.

Keywords： mammography; suspicious calcification; deep learning; breast cancer; artificial intelligence

收稿日期：2023-07-05

基金項(xiàng)目：江蘇省十四五醫(yī)學(xué)重點(diǎn)學(xué)科項(xiàng)目（ZDXK202237）; 徐州市科學(xué)技術(shù)局社會(huì)發(fā)展項(xiàng)目（KC15SH061）

作者簡(jiǎn)介：翟天旭，在讀碩士研究生，E-mail： 382852742@qq.com

通信作者：李德春，碩士，主任醫(yī)師，E-mail： 18952171358@189.cn

乳腺癌是全球最主要的癌癥之一，也是導(dǎo)致女性癌癥死亡的主要原因［1］。早期乳腺癌被認(rèn)為是可治愈的，早發(fā)現(xiàn)、早治療對(duì)于改善患者預(yù)后具有重要意義［2］。鈣化是早期乳腺癌的重要甚至唯一征象，對(duì)于鈣化敏感度很高的乳腺X線(xiàn)檢查是檢測(cè)乳腺疾病的重要影像手段［3］。目前我國(guó)醫(yī)學(xué)影像資料年增長(zhǎng)率遠(yuǎn)超放射科醫(yī)師數(shù)量年增長(zhǎng)率，放射科醫(yī)師處理影像數(shù)據(jù)的壓力不斷增大［4］。人工閱片診斷鈣化過(guò)程中由于注意力下降和視覺(jué)疲勞等因素，導(dǎo)致放射科醫(yī)師易漏診密度低、面積小的鈣化及致密型乳腺中的鈣化［5］。近年來(lái)，隨著人工智能技術(shù)的飛速發(fā)展，基于深度學(xué)習(xí)的計(jì)算機(jī)輔助診斷（CAD）已經(jīng)逐漸整合到放射科診斷乳癌疾病的日常工作中［6-7］。既往研究已經(jīng)探討了DL系統(tǒng)與放射科醫(yī)師對(duì)于不同類(lèi)型乳腺鈣化檢出能力的差異，證實(shí)了DL系統(tǒng)可以幫助低年資醫(yī)師提高對(duì)不同類(lèi)型乳腺鈣化的檢出能力［5， 8-10］。但既往研究仍未對(duì)DL系統(tǒng)與放射科醫(yī)師對(duì)于良惡性鈣化分類(lèi)性能的差異進(jìn)行探討；另外，放射科醫(yī)師獨(dú)立閱片和在DL系統(tǒng)幫助下聯(lián)合閱片兩次閱片之間未經(jīng)歷“閱片洗脫期”，首次獨(dú)立閱片對(duì)后續(xù)聯(lián)合閱片的影響無(wú)法避免。

本研究旨在分析DL系統(tǒng)與放射科醫(yī)師對(duì)于不同類(lèi)型乳腺鈣化的檢出能力和良惡性鈣化分類(lèi)性能差異，探討深度學(xué)習(xí)輔助診斷系統(tǒng)的臨床價(jià)值。本研究在既往研究的基礎(chǔ)上，進(jìn)行了以下創(chuàng)新：本研究在國(guó)內(nèi)此類(lèi)研究中首次提出“閱片洗脫期”的概念，即放射科醫(yī)師獨(dú)立閱片和在DL系統(tǒng)幫助下聯(lián)合閱片之間必須有一定時(shí)間間隔，盡量消除首次獨(dú)立閱片對(duì)后續(xù)聯(lián)合閱片的影響；不僅對(duì)DL系統(tǒng)和放射科醫(yī)師對(duì)于不同類(lèi)型鈣化檢出能力進(jìn)行了比較，而且通過(guò)對(duì)ROC曲線(xiàn)和曲線(xiàn)下面積（AUC）的分析探討了DL系統(tǒng)和放射科醫(yī)師對(duì)良惡性鈣化分類(lèi)性能的差異，進(jìn)一步探討了基于深度學(xué)習(xí)的DL系統(tǒng)是否在放射科醫(yī)生日常工作中發(fā)揮著重要作用，現(xiàn)報(bào)道如下。

1" 資料與方法

1.1" 一般資料

回顧性分析2020年1月～2022年12月在徐州市中心醫(yī)院接受雙側(cè)乳腺X線(xiàn)檢查的14 844例女性患者，篩選出400例以鈣化為唯一病變征象的患者，年齡23～76（49.7±4.15）歲。納入標(biāo)準(zhǔn)：行雙側(cè)腺X線(xiàn)檢查前未進(jìn)行手術(shù)切除、放化療、穿刺活檢等治療；圖像質(zhì)量清晰符合診斷要求，頭尾位和內(nèi)外斜位影像資料完整；圖像中僅含鈣化病變。排除標(biāo)準(zhǔn)：行雙側(cè)腺X線(xiàn)檢查前進(jìn)行手術(shù)切除、放化療、穿刺活檢等治療；圖像質(zhì)量不符合診斷要求，頭尾位或內(nèi)外斜位影像資料不完整；圖像中含有腫塊、結(jié)構(gòu)扭曲、不對(duì)稱(chēng)致密等征象。本研究獲得徐州市中心醫(yī)院醫(yī)學(xué)倫理委員會(huì)審核批準(zhǔn)（批件編號(hào)：XZXY-LK-20231010-0158）。

1.2" 圖像采集

圖像采集設(shè)備為Hologic Selenia Dimensions數(shù)字乳腺X線(xiàn)機(jī)（美國(guó)Hologic），陽(yáng)性靶面材料為鎢，陰性靶面材料為銠和銀。自動(dòng)選擇參數(shù)或自動(dòng)曝光控制由設(shè)備自動(dòng)選擇。曝光電壓范圍22～39 kV，曝光電流范圍3～500 mA，常規(guī)拍攝患者雙側(cè)乳腺頭尾位和內(nèi)外斜位圖像，采集方法均符合中華醫(yī)學(xué)會(huì)放射學(xué)分會(huì)乳腺學(xué)組制定的乳腺X線(xiàn)攝影檢查和診斷共識(shí)［11］。

1.3" 圖像處理與參照標(biāo)準(zhǔn)建立

1.3.1" 可疑鈣化檢出的參照標(biāo)準(zhǔn)" "由2位具有15年以上乳腺疾病診斷經(jīng)驗(yàn)的副主任醫(yī)師依據(jù)2013年美國(guó)放射學(xué)院發(fā)布的乳腺影像報(bào)告和數(shù)據(jù)系統(tǒng)（BI-RADS）第5版對(duì)圖像進(jìn)行盲法獨(dú)立閱片，記錄乳腺ACR類(lèi)型并對(duì)鈣化進(jìn)行分析，記錄其BI-RADS分級(jí)、形態(tài)、分布。當(dāng)2位醫(yī)師評(píng)估結(jié)果不一致時(shí)，經(jīng)討論后得出最終結(jié)果，并以此作為參照組。由DL系統(tǒng)、低年資住院醫(yī)師A（3年乳腺X線(xiàn)診斷經(jīng)驗(yàn)）和高年資主治醫(yī)師B（7年乳腺X線(xiàn)診斷經(jīng)驗(yàn)）分別盲法獨(dú)立閱片，經(jīng)過(guò)4周洗脫期后，由聯(lián)合模型（低年資住院醫(yī)師A+DL系統(tǒng)）再次盲法閱片，記錄4種方法檢測(cè)出BI-RADS 3級(jí)及以上可疑鈣化的數(shù)量及對(duì)可疑鈣化BI-RADS分級(jí)、形態(tài)、分布的評(píng)估。

1.3.2" 可疑鈣化良惡性分類(lèi)的參照標(biāo)準(zhǔn)" "公布2位具有15年以上乳腺疾病診斷經(jīng)驗(yàn)的副主任醫(yī)師檢測(cè)出的975處BI-RADS 3級(jí)及以上可疑鈣化，但暫不告知低年資住院醫(yī)師A和高年資主治醫(yī)師B可疑鈣化的BI-RADS分級(jí)，規(guī)定BI-RADS 3級(jí)、4A級(jí)及4B級(jí)鈣化共765處為良性?xún)A向鈣化，4C級(jí)和5級(jí)鈣化共210處為惡性?xún)A向鈣化。由DL系統(tǒng)、低年資住院醫(yī)師A和高年資主治醫(yī)師B分別盲法獨(dú)立閱片，經(jīng)過(guò)4周閱片洗脫期后，由聯(lián)合模型（低年資住院醫(yī)師A+DL系統(tǒng)）再次盲法閱片，分別記錄4種方法對(duì)每一處可疑鈣化的BI-RADS分級(jí)評(píng)估，與標(biāo)準(zhǔn)組對(duì)照計(jì)算4種方法的敏感度、特異性、陽(yáng)性預(yù)測(cè)值和陰性預(yù)測(cè)值。

1.4" DL系統(tǒng)

DL系統(tǒng)為醫(yī)準(zhǔn)智能乳腺X線(xiàn)攝影輔助診斷系統(tǒng)，開(kāi)發(fā)公司：北京市醫(yī)準(zhǔn)智能科技有限公司，版本號(hào)：V1.0。以標(biāo)準(zhǔn)協(xié)議的DICOM數(shù)據(jù)輸入，自動(dòng)檢出鈣化并分級(jí)、分類(lèi)。

1.5" 統(tǒng)計(jì)學(xué)分析

采用SPSS25.0統(tǒng)計(jì)分析軟件，計(jì)量資料符合正態(tài)分布以均數(shù)±標(biāo)準(zhǔn)差表示；計(jì)數(shù)資料以n（%）表示，采用χ2檢驗(yàn)評(píng)估DL系統(tǒng)、醫(yī)師A，醫(yī)師B和聯(lián)合模型的鈣化檢出敏感度，雙向表χ2檢驗(yàn)評(píng)估不同乳腺ACR類(lèi)型、鈣化形態(tài)和分布和BI-RADS分類(lèi)對(duì)DL系統(tǒng)、醫(yī)師A，醫(yī)師B和聯(lián)合模型檢出鈣化的影響；通過(guò)ROC曲線(xiàn)和AUC評(píng)價(jià)4種方法預(yù)測(cè)鈣化良惡性的性能，采用Delong檢驗(yàn)比較不同方法AUC的差異。以Plt;0.05為差異有統(tǒng)計(jì)學(xué)意義。

2" 結(jié)果

2.1" DL系統(tǒng)、放射科醫(yī)師和聯(lián)合模型之間對(duì)鈣化檢出敏感度的比較

2.1.1" 不同乳腺ACR類(lèi)型對(duì)4種方法檢出可疑鈣化敏感度的影響" "1600幅圖像中共檢出BI-RADS 3級(jí)及以上可疑鈣化975處，其中BI-RADS 3級(jí)鈣化54處、4A級(jí)385處、4B級(jí)326處、4C級(jí)154處、5級(jí)56處。DL系統(tǒng)、醫(yī)師A、醫(yī)師B和聯(lián)合模型對(duì)不同ACR乳腺構(gòu)成的鈣化檢出情況顯示，醫(yī)師A鈣化檢出敏感度低于醫(yī)師B、DL系統(tǒng)和聯(lián)合模型（χ2=109.588、54.640、105.655，Plt;0.05）；在DL系統(tǒng)幫助下，聯(lián)合模型和醫(yī)師B在不同ACR乳腺構(gòu)成的鈣化檢出敏感度差異無(wú)統(tǒng)計(jì)學(xué)意義（χ2=0.061，P=0.805）。4種方法對(duì)于b、c和d類(lèi)乳腺鈣化檢出敏感度差異有統(tǒng)計(jì)學(xué)意義（Plt;0.05），對(duì)于a類(lèi)乳腺鈣化檢出敏感度差異無(wú)統(tǒng)計(jì)學(xué)意義（Pgt;0.05，表1）。

2.1.2" 不同形態(tài)、不同分布的鈣化對(duì)4種方法檢出可疑鈣化敏感度的影響" "DL系統(tǒng)、醫(yī)師A，醫(yī)師B和聯(lián)合模型對(duì)不同形態(tài)、不同分布的鈣化檢出比較情況顯示，在鈣化分布上，4種方法漏檢鈣化主要為呈區(qū)域性分布和團(tuán)簇樣分布的細(xì)小多形性鈣化、不定形模糊鈣化，主要是由于其范圍小、密度較低，在腺體背景的襯托下難以發(fā)現(xiàn)（圖2）。4種方法對(duì)于彌漫分布和線(xiàn)樣分布鈣化的檢出檢出敏感度的差異無(wú)統(tǒng)計(jì)學(xué)意義（Pgt;0.05）；對(duì)其余3種分布鈣化，醫(yī)師A與醫(yī)師B和聯(lián)合模型鈣化檢出敏感度的差異有統(tǒng)計(jì)學(xué)意義（Plt;0.05），而聯(lián)合模型與醫(yī)師B鈣化檢出敏感度的差異無(wú)統(tǒng)計(jì)學(xué)意義（Pgt;0.05）。對(duì)于不同形態(tài)鈣化，4種方法對(duì)點(diǎn)狀鈣化的檢出敏感度的差異無(wú)統(tǒng)計(jì)學(xué)意義（Pgt;0.05）；對(duì)其余4種形態(tài)鈣化，醫(yī)師A與醫(yī)師B和聯(lián)合模型鈣化檢出敏感度的差異均有統(tǒng)計(jì)學(xué)意義（Plt;0.05），而聯(lián)合模型與醫(yī)師B鈣化檢出敏感度差異無(wú)統(tǒng)計(jì)學(xué)意義（Pgt;0.05，表2～3）。

2.1.3" 不同BI-RADS分級(jí)的鈣化對(duì)4種方法檢出可疑鈣化敏感度的影響" "DL系統(tǒng)、醫(yī)師A、醫(yī)師B和聯(lián)合模型對(duì)不同BI-RADS分級(jí)鈣化檢出的敏感度比較結(jié)果顯示，4種方法對(duì)于BI-RADS 3級(jí)、5級(jí)鈣化檢出敏感度的差異無(wú)統(tǒng)計(jì)學(xué)意義（Pgt;0.05）。醫(yī)師A與醫(yī)師B、DL系統(tǒng)和聯(lián)合模型對(duì)不同BI-RADS分級(jí)鈣化檢出的敏感度差異主要是BI-RADS 4級(jí)鈣化的漏檢，共865處BI-RADS 4級(jí)鈣化，醫(yī)師A檢出700（80.92%）處，醫(yī)師B檢出831（96.07%）處，DL系統(tǒng)檢出807（93.29%）處，聯(lián)合模型檢出828（95.72%）處；醫(yī)師A與醫(yī)師B、DL系統(tǒng)和聯(lián)合模型對(duì)于BI-RADS 4級(jí)鈣化檢出敏感度的差異有統(tǒng)計(jì)學(xué)意義（χ2=97.445、58.938、91.831，Plt;0.05），而醫(yī)師B和聯(lián)合模型對(duì)于BI-RADS 4級(jí)鈣化檢出敏感度的差異無(wú)統(tǒng)計(jì)學(xué)意義（χ2=0.132，P=0.716，表4）。

2.2" DL系統(tǒng)、放射科醫(yī)師和聯(lián)合模型之間對(duì)良惡性鈣化分類(lèi)性能的比較

聯(lián)合模型的診斷能力優(yōu)于低年資住院醫(yī)師A（Plt;0.01）。低年資住院醫(yī)師在有人工智能輔助時(shí)，診斷能力得到明顯改善，AUC值從0.740增加到0.891，主要是由于診斷敏感度的提高。DL系統(tǒng)的診斷能力優(yōu)于聯(lián)合模型（Plt;0.01，表5、圖1，2）。

3" 討論

近年來(lái)，隨著計(jì)算機(jī)計(jì)算力的普遍提高和醫(yī)院開(kāi)始重視醫(yī)療數(shù)據(jù)的收集累積，包括大量的醫(yī)學(xué)影像資料，擁有自動(dòng)分析圖象能力的深度學(xué)習(xí)引來(lái)越來(lái)越多的關(guān)注［12］。人工智能深度學(xué)習(xí)在乳腺癌篩查領(lǐng)域已經(jīng)取得了一定的進(jìn)展，相關(guān)研究主要圍繞提高腫塊和鈣化檢出的準(zhǔn)確率展開(kāi)［13-15］。基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)被證明可以提高乳腺癌篩查的準(zhǔn)確性和效率。本研究中，DL系統(tǒng)對(duì)BI-RADS 3級(jí)及以上可疑鈣化檢出的敏感度為91.0%，漏檢鈣化主要為不定形模糊鈣化和細(xì)小多形性鈣化，其形態(tài)小而模糊（圖2）。在既往報(bào)道中AI對(duì)檢出不同形態(tài)或分類(lèi)鈣化的敏感度在64.9%～100%區(qū)間內(nèi)［8，16］。

精確檢出乳腺鈣化并準(zhǔn)確預(yù)測(cè)鈣化良惡性具有重要意義。良性鈣化患者可以避免焦慮、良性活檢和不必要的治療干預(yù)，而真正的高危患者可以快速進(jìn)一步確認(rèn)治療策略，以防延誤治療時(shí)機(jī)。但在當(dāng)前的臨床實(shí)踐中，放射科醫(yī)師對(duì)乳房 X光攝影圖像的主觀(guān)解釋各不相同。據(jù)報(bào)道，只有59.0%和63.0%的放射科醫(yī)師在乳房 X 線(xiàn)攝影篩查中達(dá)到了推薦的異常判讀率和特異性水平［17］。在目前專(zhuān)業(yè)放射科醫(yī)師短缺的情況下，由于放射科醫(yī)師的工作量較大，放射科醫(yī)師的表現(xiàn)可能會(huì)在更大規(guī)模的乳房X光篩查中受到進(jìn)一步影響［13］。本研究中，DL系統(tǒng)在可疑鈣化的檢出和可疑鈣化的良惡性分類(lèi)兩方面均優(yōu)于低年資住院醫(yī)師，提示人工智能在乳腺X線(xiàn)檢查方面具有良好的應(yīng)用前景，有望在乳腺癌篩查中發(fā)揮重要作用。

此外，本研究中聯(lián)合模型（低年資住院醫(yī)師+DL系統(tǒng)）對(duì)可疑鈣化的分類(lèi)性能明顯高于低年資住院醫(yī)師A，卻低于DL系統(tǒng)，這提示醫(yī)師A對(duì)部分可疑鈣化進(jìn)行良惡性分類(lèi)時(shí)在得知DL系統(tǒng)的診斷結(jié)果后仍然堅(jiān)持了自己的判斷。在之后對(duì)醫(yī)師A的回訪(fǎng)中，證實(shí)了這一點(diǎn)。

亞洲女性的乳腺密度較歐美女性更高［18］，而乳腺密度和乳腺癌風(fēng)險(xiǎn)成正相關(guān)關(guān)系，乳腺X線(xiàn)攝影對(duì)于致密性乳腺檢測(cè)的敏感度和特異性是有限的，放射科醫(yī)師篩查乳腺癌的敏感度會(huì)隨著乳腺密度的增加而降低［19］。本研究中，DL系統(tǒng)和低年資住院醫(yī)師對(duì)于a類(lèi)乳腺鈣化檢出敏感度差異無(wú)統(tǒng)計(jì)學(xué)意義，對(duì)于b、c、d類(lèi)乳腺鈣化檢出敏感度聯(lián)合模型（低年資住院醫(yī)師+DL系統(tǒng)）明顯高于低年資住院醫(yī)師，提示DL系統(tǒng)可以幫助低年資住院醫(yī)師減少因乳腺密度高導(dǎo)致的鈣化漏檢。由DL系統(tǒng)在致密型乳腺中快速找出病灶，與放射科醫(yī)師共同分析診斷、相互印證補(bǔ)充，對(duì)提高乳腺可疑鈣化診斷的準(zhǔn)確率具有重要意義。有研究認(rèn)為不同乳腺密度對(duì)低年資住院醫(yī)師檢出鈣化有影響，而對(duì)DL系統(tǒng)無(wú)影響[9]，這與本研究結(jié)果一致。

本研究的主要局限性：首先，本研究為單中心調(diào)查，由于許多患者因缺乏病理報(bào)告而被排除，因此本回顧性研究可能存在對(duì)患者的選擇偏倚；其次，乳房X光攝影圖像來(lái)自同一臺(tái)設(shè)備且納入研究的400例患者大多數(shù)來(lái)自中國(guó)淮海經(jīng)濟(jì)區(qū)，DL系統(tǒng)對(duì)于其它品牌乳腺X線(xiàn)機(jī)拍攝和其他地區(qū)女性的乳房X光攝影圖像的鈣化檢出敏感性及良惡性分類(lèi)性能需要進(jìn)一步驗(yàn)證。后續(xù)研究將聯(lián)合多中心并增加樣本量予以進(jìn)一步驗(yàn)證，以增加研究結(jié)論的可靠性。

綜上所述，DL系統(tǒng)對(duì)乳腺鈣化檢出和良惡性分類(lèi)性能方面顯著優(yōu)于放射科低年資住院醫(yī)師，不弱于放射科高年資主治醫(yī)師。DL系統(tǒng)的應(yīng)用有助于低年資放射科醫(yī)師減少漏診、誤診，尤其可以減少不定形鈣化、細(xì)小多形性鈣化、BI-RADS 4級(jí)鈣化的漏檢，提高低年資醫(yī)師對(duì)BI-RADS 3級(jí)及以上可疑鈣化良惡性分類(lèi)的準(zhǔn)確率。

參考文獻(xiàn)：

［1］" "Bray F， Ferlay J， Soerjomataram I， et al. Global cancer statistics 2018： GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries［J］. CA A Cancer J Clinicians， 2018， 68（6）： 394-424.

［2］" "Harbeck N， Gnant M. Breast cancer［J］. Lancet， 2017， 389（10074）： 1134-50.

［3］" "Son J， Lee SE， Kim EK， et al. Prediction of breast cancer molecular subtypes using radiomics signatures of synthetic mammography from digital breast tomosynthesis［J］. Sci Rep， 2020， 10（1）： 21566.

［4］" "金征宇. 人工智能醫(yī)學(xué)影像應(yīng)用： 現(xiàn)實(shí)與挑戰(zhàn)［J］. 放射學(xué)實(shí)踐， 2018， 33（10）： 989-91.

［5］" "王小琦， 劉" 鵬， 陳" 賾， 等. 基于深度學(xué)習(xí)的乳腺X線(xiàn)攝影鈣化檢測(cè)系統(tǒng)對(duì)乳腺可疑鈣化的檢出效能［J］. 中國(guó)醫(yī)學(xué)影像技術(shù)， 2019， 35（12）： 1784-8.

［6］" "Fenton JJ， Taplin SH， Carney PA， et al. Influence of computer-aided detection on performance of screening mammography［J］. N Engl J Med， 2007， 356（14）： 1399-409.

［7］" "Niu SH， Huang JH， Li J， et al. Application of ultrasound artificial intelligence in the differential diagnosis between benign and malignant breast lesions of BI-RADS 4A［J］. BMC Cancer， 2020， 20（1）： 959.

［8］" "李" 欣， 梁" 森， 黃正南， 等. 乳腺X線(xiàn)AI智能病灶檢測(cè)［J］. 放射學(xué)實(shí)踐， 2018， 33（10）： 1029-32.

［9］" "周" 娟， 王婷婷， 李" 明， 等. 基于深度學(xué)習(xí)的乳腺X線(xiàn)攝影鈣化檢出系統(tǒng)評(píng)估［J］. 中華放射學(xué)雜志， 2019， 53（11）： 6.

［10］" "哈婷婷， 潘" 俊， 王洪光， 等. 基于深度學(xué)習(xí)的乳腺X線(xiàn)攝影病灶檢出系統(tǒng)的臨床價(jià)值［J］. 中國(guó)醫(yī)學(xué)影像技術(shù)， 2019， 35（12）： 1789-93.

［11］" 中華醫(yī)學(xué)會(huì)放射學(xué)分會(huì)乳腺學(xué)組. 乳腺X線(xiàn)攝影檢查和診斷共識(shí)［J］. 中華放射學(xué)雜志， 2014， 48（9）： 711-7.

［12］" Oliver A， Freixenet J， Martí J， et al. A review of automatic mass detection and segmentation in mammographic images［J］. Med Image Anal， 2010， 14（2）： 87-110.

［13］ Liu HH， Chen YH， Zhang YZ， et al. A deep learning model integrating mammography and clinical factors facilitates the malignancy prediction of BI?RADS 4 microcalcifications in breast cancer screening［J］. Eur Radiol， 2021， 31（8）： 5902-12.

［14］ Lotter W， Diab AR， Haslam B， et al. Robust breast cancer detection in mammography and digital breast tomosynthesis using an annotation-efficient deep learning approach［J］. Nat Med， 2021， 27（2）： 244-9.

［15］" Zhang F， Wu SD， Zhang C， et al. Multi-domain features for reducing 1 positives in automated detection of clustered microcalcifications in digital breast tomosynthesis［J］. Med Phys， 2019， 46（3）： 1300-8.

［16］" Lei CQ， Wei W， Liu ZY， et al. Mammography-based radiomic analysis for predicting benign BI-RADS category 4 calcifications［J］. Eur J Radiol， 2019， 121： 108711.

［17］" Lehman CD， Arao RF， Sprague BL， et al. National performance benchmarks for modern screening digital mammography： update from the breast cancer surveillance consortium［J］. Radiology， 2017， 283（1）： 49-58.

［18］" 彭芳芳， 沈坤煒. 中西方女性乳腺密度與乳腺癌發(fā)病關(guān)系的研究進(jìn)展［J］. 中國(guó)癌癥防治雜志， 2020， 12（4）： 469-74.

［19］" 徐澤園， 秦耿耿， 陳衛(wèi)國(guó). 致密型乳腺影像篩查技術(shù)及研究進(jìn)展［J］. 國(guó)際醫(yī)學(xué)放射學(xué)雜志， 2019， 42（3）： 312-6.

（編輯：熊一凡）