乳腺癌是全球女性中最常见的癌症，占新发女性癌症病例的25%，并在女性癌症死亡率中排名靠前。早期发现乳腺癌可以降低40%的死亡率。在中国，超声成像（US）是早期乳腺癌筛查的主要方式，因其便捷、成本效益高、非侵入性、辐射风险低和广泛应用而受到青睐。然而，超声图像的质量受多种因素影响，包括噪声水平、对比度、照明和图像分辨率。根据美国放射学院开发的BI-RADS词典，BI-RADS 4类病变需要进行活检，除非临床上有禁忌。这一推荐是为了让乳腺癌筛查图像的解释和随后的患者管理建议更加标准化。但标准化过程并非没有缺点，包括影像结果的主观评估和不同医生之间解释的差异性。这些问题可能导致许多BI-RADS 4类病变不必要的活检，给患者带来经济和心理负担。
研究重点发现
本研究的重点发现在于，通过结合临床参数和深度学习放射组学（DLR），可以提高对BI-RADS 4类病变良恶性诊断的准确性。研究还探讨了在实际诊断情况下，放射组学在放射科医生中的实际优势。通过两轮评估，放射科医生利用AI评分和热图辅助诊断BI-RADS病变，评估了模型在实际临床应用中的潜力。
使用的具体方法
研究使用了657名患者的数据，最终纳入382名患者进行分析。研究中使用了三种不同的超声设备获取图像，并使用开源软件ITK-Snap 3.8.0来确定感兴趣区域（ROI）。研究中随机分配患者到训练组和独立测试组，比例为7:3。使用VGG11作为基础模型，该模型在Imagenet上预训练过。原始超声图像用于提取基于肿瘤分割掩模的矩形ROI，然后调整大小并进行归一化处理。使用Adam优化器更新模型参数，学习率为0.005，训练200个周期，批量大小为16。从全连接（FC）层获得的一维向量最终通过softmax激活函数转换为概率分布。
研究结果表明，结合临床参数的DLR模型（CLDLR）在区分恶性乳腺病变（MBLs）和良性乳腺病变（BBLs）方面表现优于单一方法。CLDLR模型在训练组的AUC、准确率、敏感性和特异性分别为0.988、0.948、0.950和0.945。在测试组中，这些值分别为0.888、0.817、0.881和0.75。此外，AI评分和DLR模型生成的热图被证明可以增强放射科医生的决策制定，突出了使用AI辅助诊断工具的临床价值。研究还发现，AI辅助可以提高放射科医生的诊断准确性，尤其是对于经验较少的放射科医生。
出处
本文信息来源于《自然》杂志上发表的研究文章：Yang, L., Zhang, N., Jia, J. et al. Deep learning radiomics on grayscale ultrasound images assists in diagnosing benign and malignant of BI-RADS 4 lesions. Sci Rep 14, 31479 (2024). [链接](https://www.nature.com/articles/s41598-024-83347-x)
