據統計，乳腺癌是2020年全世界範圍內最常被診斷的癌症之一，估計有230萬例之多。由於這種高發病率，通過將乳腺病變分為惡性或良性來提高乳腺攝影的準確性一直是醫學圖像計算領域關注的一個話題。盡管病理分析仍然是乳腺病變診斷的參考標準，但其侵入性程序是引起患者潛在不適和焦慮的來源。因此，減少不必要的活檢率可以大大降低醫療費用、避免病人不必要的痛苦及焦慮。

由於數字乳腺鉬靶(DM)在乳腺癌診斷中的廣泛使用，臨床上試圖將結合深度學習和監督學習的模型應用於DM以實現乳腺病變的準確識別。雖然組織病理學和免疫組織化學檢查的空間分辨率比DM高得多，但放射學特征有可能提供在幾種乳腺病變類型中觀察到的一係列細胞和亞細胞成分的特征。

近日，發表在Radiology雜誌的一項研究開發了一個基於人工智能的模型，該模型可通過乳腺鉬靶和標記有組織病理學信息的鏈接電子健康記錄對乳腺病變亞型進行識別，為臨床快速、準確的進行乳腺病變的良惡性鑒別及風險評估提供了技術支持。

本項回顧性研究收集了9234名接受數字乳腺鉬靶檢查的女性的26569張圖像以預訓練算法。訓練數據包括2013年3月-2018年11月期間有至少1年的臨床和影像學病史，隨後有基於活檢的組織病理學診斷的患者。研究對一個結合了卷積神經網絡和監督學習算法的模型被進行了獨立訓練，用來自以色列的2120名和美國的1642名女性的數據進行乳腺病變預測。使用接收者操作特征曲線下的麵積(AUC)和95%的DeLong方法來估計CI，並報告結果。

以色列的模型在456名女性中得到了驗證，並在441名女性中進行了測試(平均年齡為51歲6[SD])。美國的模型在350名女性中得到驗證，並在344名女性中進行了測試(平均年齡60歲612歲)。在測試集(包括220名以色列患者的檢查和126名美國患者的檢查，其中有導管原位癌或浸潤性癌症)中預測惡性腫瘤，算法對以色列和美國患者的AUC分別為0.88(95%CI：0.85，0.91)和0.80(95%CI：0.74，0.85)(P=0.006)。這些結果對其他患者群可能不成立，應進一步調查不同人群的可推廣性。

圖 圖表顯示了兩個隊列中分類性能的比較，使用成像和臨床特征報告了性能。(A) 美國和以色列測試集的惡性腫瘤預測結果。標記代表放射科醫生的平均表現，其CI值由自舉法獲得。(B) 侵襲性癌症與其他病變(定義為原位導管癌、高危病變、良性病變及其他)的預測結果。在驗證組中，模型的操作點為90%的靈敏度。在A和B中，較淺的線代表10個訓練好的模型的性能

本項研究表明，應用於臨床和乳腺圖像的人工智能可以實現乳腺病變亞型的識別，這有助於診斷工作流程的完善並進一步減少活檢采樣錯誤的出現。

原文出處：

Vesna Barros,Tal Tlusty,Ella Barkan,et al.Virtual Biopsy by Using Artificial Intelligence-based Multimodal Modeling of Binational Mammography Data.DOI:10.1148/radiol.220027