首页 > 论文范文 > 医药卫生论文 > 影像检验论文 > 超声诊断论文 > 人工智能在超声乳腺癌诊断中的应用现状

人工智能在超声乳腺癌诊断中的应用现状

2025-02-18 134 上传者：管理员

摘要：乳腺癌在女性恶性肿瘤发病率中居首位，是导致女性癌症死亡的主要原因。判断癌症预后是否良好的关键在于早期诊断和及时治疗。随着计算机技术的不断发展、医学数据的积累和新型高效算法的研究与开发，人工智能（AI）技术在医学领域取得了长足的进步，因此医学科学的智能化已成为必然趋势。AI技术与乳腺癌的超声诊断相结合，不仅可以帮助超声医师在更短的时间内进行影像学诊断，还可以弥补超声诊断初学者由于缺乏经验和技能欠缺而造成误诊漏诊的不足。目前，AI在乳腺癌症超声成像中的应用越来越受到关注，并得到了业内人士的认可，且AI已经积累了许多研究成果。本文首先对AI进行了概述，然后从多个角度分析和总结了AI技术在乳腺癌超声诊断中的发展和应用现状，以期为AI在乳腺癌超声诊断中的应用提供指导。

关键词：
AI
乳腺癌
人工智能
恶性肿瘤
超声
加入收藏

乳腺癌被认为是世界上损害女性健康的最常见恶性肿瘤之一,据全球癌症统计发布的数据结果可知,全球的乳腺癌发病率为11.6%,是女性中最常见的癌症,也是女性癌症中死亡率最高的疾病[1]｡如果能早期发现乳腺癌并及时治疗,其治疗效果也是恶性肿瘤中最好的,对于乳腺癌患者来说,“早发现､早诊断､早治疗”尤为重要｡超声影像诊断具有无痛无创､可重复､无辐射等优点,在诊断乳腺癌方面起着重要作用｡但是由于各地医疗资源的分配不均以及临床医生的水平良莠不齐,可能会造成病灶发现不及时,再加上超声影像诊断本身灵敏度仍不高,在诊断小病灶､微钙化等方面都有一定的局限性｡基于人工智能(artificialintelligence,AI)的乳腺癌超声诊断技术不仅能明显减轻临床医生的工作量,并且能够不断提高乳腺癌筛查诊断的敏感性和准确性,因此具有很高的实用价值[2]｡

1、AI的概述

“AI”的概念是由约翰麦卡锡在1955年所提出并将其定义为“制造智能机器的科学与工程”｡AI属于计算机科学的一个分支,是用计算机模拟人的意识和思考的过程以及问题处理的能力,来做传统上与人类智能有关的任务,主要有机器学习(machinelearning,MI)与深度学习(deeplearning,DL)这两个方面｡AI影像分析模型能够从图像数据中高速提取海量的影像信息,实现对肿瘤的识别､特点提取和模型构造,对于海量的影像数据信息进行更深入､多维度的挖掘､预测和分析｡目前基于AI技术的机器人在医学影像､体外自动识别､手术引导等领域都已经被广泛应用,并且在提升肿瘤诊断效果､改进诊疗经历以及对患者预后的评估中都起着非常重要的作用｡现阶段AI技术在乳腺癌早期筛查检测中也得到了广泛应用,尤其AI乳腺超声诊断既能节省医生们的时间成本也能弥补一些超声诊断初学者经验与知识上的欠缺,帮助临床医师迅速做出精准的诊断,给予患者及时的治疗,挽救患者的生命｡

2、AI与乳腺超声相结合在乳腺癌应用中的研究现状

目前,AI乳腺超声诊断技术的发展,主要得益于AI对乳腺超声图像(breastultrasoundimaging,BUI)识别技术和视觉搜索(visualsearch,VS)技术的发展｡在早期AI诊断中主要是MI阶段,即利用学习数据中所发现的规律来对未知的数据进行相关判断｡也就是说先通过对乳腺病灶质地､形状､位置等特征编码,收集足够多相关BUI数据信息后,机器便可通过提取乳腺癌相关的BUI特征,与正常乳腺BUI进行对比及分析,最后对乳腺癌的病灶相关情况做出正确评估,此方法可以提高乳腺癌诊断的准确率并缩短乳腺的超声检查时间,但是传统的CAD性能不足,功能单一,检测的假阳性率较高[3]｡近几年,相继出现许多利用AI进行DL,卷积神经网络在DL的网络系统中是应用最为成功的一个,对超声图像进行分类的技术方法,可以使计算机在不经过硬编程的前提下,利用大数据集进行数据的学习和检测,其可以减轻设计具体特征以及分类框架的负担｡

目前对于超声波影像学的AI图象分析在乳腺癌的诊断以及乳腺结节的分型上都已经取得了很好的进展[4]｡AI在乳腺超声中的应用在乳腺肿瘤良､恶性的诊断与分类更为广泛[5]｡吴英等[6]对447例已病理检查确诊的乳腺癌患者进行超声检查,该检查是建立在二维超声成像技术的基础上改造的AI乳腺超声｡获取超声图像BUI数据集,经过主成分分析提取患者原始的BUI特征,将BUI特征进行量化并作为输入数据,从而得出良､恶性的乳腺肿瘤声像图的诊断及分类结果｡结果显示利用AI乳腺超声成像诊断乳腺癌的特异度为98.49%(196/199)､灵敏度为96.04%(97/101)､准确率为97.67%(293/300)｡在二维超声成像基础上建立的AI超声成像技术在鉴别诊断乳腺肿瘤良､恶性时可实现一定的量化和标准化｡因此可协助医生减少漏诊率,使分类标准更加明确｡戚晓峰[7]在超声影像智能识别乳腺疾病基础上以及利用BI-RADS分级方法,建立了目前已知的乳腺超声影像方面的最大规模数据集,同时提出了一种深度神经网络特征区域增强机制,在正确识别乳腺癌病变方面有了明显提高｡

近年来,在AI乳腺超声检查中,CAD软件可作为鉴别诊断良恶性乳腺肿块和减少不必要活检的有效辅助诊断工具[8]｡将AI的DL与超声成像相结合的技术研究越来越广泛,据鲁京慧等[9]与谢川博等[10]对5种DL模型进行比较研究表明,其中性能较为突出的是NN和XGB,可辅助超声医生对乳腺癌进行筛查和诊断｡Ciritsis等[11]对582名患者进行乳腺超声成像并获得1919张BUI,将这些超声图像与相应的放射学报告进行关联,与人类决策进行对比,来评估深度卷积网络用于超声乳腺病变的检测､分类等效能｡结果显示dCNNs在评估单个乳腺病变的超声图像具有较高的准确度｡Zhang等[12]是利用建立在SWE和B超双模态基础上的深度多项式网络(DNP)来对乳腺良性肿瘤和恶性肿瘤进行特征学习和分类,结果显示双模态特征的DNP方法的特异性为94.1%､灵敏度为97.8%,准确率为95.6%｡这明显优于单模态方法､采用主成分分析和多核心学习的双模态方法,具有较高的临床应用前景｡Yaghoub等[13]通过采用六种技术检测和分割BUI,进而建立一种CNN架构,在这种架构下对乳腺癌进行分类,其诊断验证的灵敏度可达88%｡此发现表明高潜力CNN算法可以用于从超声图像中诊断乳腺癌｡Qi等[14]联合专业的超声医生及外科医生对乳腺癌病例进行注释从而获得乳腺癌超声图像的大规模数据集,再利用多尺度滤波器和跳过链接的卷积神经网络的技术从目标数据中提取特征,建立起自动化乳腺癌数据模型,最终达到节省乳腺癌筛查的时间成本和提高筛查准确性的目的,指导病理检查｡

自动乳腺超声成像相较于传统的二维超声来说,其可以显示病灶的冠状面,能更加清晰地观察病灶,从而更加准确对肿瘤的良､恶性进行诊断并对肿瘤进行分级[15]｡Chiang等[16]在三维卷积神经网络和优先候选聚合的基础上建立一种快速而有效的计算机辅助监测系统｡这种技术可以对全自动全乳超声(ABUS)图像中的异常肿块进行肿瘤评估,并对其进行优先级排序;此次试验虽然数据收集较少,但是此种方法为ABUS图像快速筛查肿瘤提供了可行性的意见｡王怡等[17]在2022年也做过类似研究,数据量大,模型性能良好,具有一定的临床价值｡

弹性成像(Elastography)作为一种诊断乳腺疾病的新兴技术,被广泛应用于乳腺癌的筛查,与二维超声技术相结合对于乳腺癌的诊断及转移情况的判断更具有诊断意义[18]｡Zhang等[19]在放射科医生对乳腺的超声影像进行病变的轮廓勾画的基础上,利用乳房弹性成像的CAD系统将病变进行分类,并用CAD系统得到的数据与可视化的分析结果进行比较,结果建立在乳腺弹性成像基础上的CAD可以提高放射科医师对乳腺肿块的分类准确性,此技术可以增加超声鉴别乳腺癌的特异性,减少不必要的活检｡由于AI与超声影像技术相结合可以较快地对乳腺癌进行筛查,对乳腺肿块进行检查及分类既节约时间成本,减少不必要的组织活检,也能辅助医师进行诊断,减少误诊漏诊的情况｡但是医生究竟能给予其多大的自主性仍需要进行深入研究讨论｡Hsieh等[20]采用前瞻性研究对一种通用的DL软件进行训练,利用DL网络在超声图像上对乳腺癌进行分类,实验结果证明这种DL模式与超声影像相结合对于乳腺癌的诊断及分类的准确度与放射科医师相当,甚至比无经验超声初学者学习能力更快更强｡Qian等[21]利用超声B模式和彩色多普勒相结合的双模态模型与放射科医师诊断水平进行比较评估认为在判断乳腺肿瘤良恶性上这种双模态神经网络模型诊断结果与经验丰富的放射科医师诊断结果具有高度的一致性,并有可能对乳房肿块进行自动化的常规描述｡杨磊等[22]将5311例乳腺病变患者作为研究对象,利用CNN构建DL模型的CAD机器诊断系统与医师读图诊断结果相比较,CAD诊断的特异性､灵敏度､准确度分别为88.64%､87.41%､91.56%,医师读图诊断的特异性､灵敏度､准确度分别为75.67%､91.65%､81.98%,据此在一定程度来说,CAD机器诊断在判断乳腺肿瘤良恶性上相较于医师读图能提升超声诊断乳腺癌的特异度,两者联合效果更好｡但是由于本研究明确采用的是德尚韵兴超声乳腺智能辅助诊断系统,以及医师的选择不具有随机性所以数据分析具有一定局限,但相较于2020年Wang等[23]所进行的实验,其强大的数据量使结果对比更具说服力｡邱霜[24]利用在EfficientNet基础上改造的DE-LightDL模型所建立的AI诊断系统和不同资历的超声医师对433例BUI进行诊断识别,结果表明AI诊断系统对乳腺肿瘤良恶性诊断的效果接近甚至高于高资历医师,在乳腺癌诊断中具有较高的临床应用价值｡利用AI构建模型与乳腺超声影像检查相结合为未来的研究者提供了更为广泛的研究领域,拥有广阔的发展前景｡

3、结语

应用AI分析技术对乳腺癌超声影像进行数字化分析后,相比于传统超声影像诊断来说,具有较高的精确度和可信性｡而且目前AI在医疗领域的广泛应用,已经在一些医疗资源稀缺的地方为广大患者提供了切实可行的解决办法,并且弥补了一些超声初学者在经验和专业技能上的不足,从而帮助医师们做出最精准的诊断,为越来越多的乳腺癌患者提供早期检查和诊治的医疗环境,改善了患者的健康和生活质量[25]｡但是AI超声影像对于乳腺疾病的诊断和分类仍需要强大的数据集作为支撑,人工的精确度直接影响智能的精确度,AI智能影像数据的建立是在目前已研究深入的疾病的基础上,对于人体的复杂化疾病仍需要医师的具体分析[26]｡其次由于数据的区域化其在临床应用中仍无法统一标准,而究竟采取何种AI超声影像模型在乳腺疾病的诊断中也会出现差异,因此AI技术在乳腺癌超声影像中的应用虽然已取得较大进展,众多研究表明AI在乳腺超声诊断中的作用举足轻重,相信在未来我们一定能将AI更加全面化､智能化､标准化的应用于乳腺癌影像诊断之中｡

参考文献:

[1]蔡菁.比较分析在乳腺癌诊断中超声弹性成像与常规超声的价值[J].影像研究与医学应用,2022,6(15):89-91.

[2]SkarpingI,LarssonM,FrnvikD,等.应用人工智能分析乳腺摄影预测乳腺癌病人新辅助化疗反应:概念验证[J].国际医学放射学杂志,2022,45(4):489.

[3]岳萌,刘月平.人工智能在乳腺癌病理诊断中的应用价值[J].临床与实验病理学杂志,2021,37(9):1081-1084.

[4]淦凤萍,肖雪花,胡美娟.人工智能超声对乳腺癌早期诊断及预后评估的价值分析[J].癌症进展,2022,20(14):1480-1482,1486.

[5]商亮,郭宇峰,叶伟,等.人工智能在乳腺癌诊断中应用的研究进展[J].现代肿瘤医学,2021,29(1):155-158.

[6]吴英,罗良平,许波,等.基于迁移学习的乳腺肿瘤超声图像智能分类诊断[J].中国医学影像技术,2019,35(3):357-360.

[7]戚晓峰.乳腺疾病智能诊疗研究[D].四川医学,2021.

[9]鲁京慧,张宏艳,王亚娟,等.五种人工智能技术在基层乳腺癌超声筛查中的应用比较[J].中国医药科学,2022,12(7):163-166,191.

[10]谢川博,满琴,罗红.人工智能乳腺超声对乳腺癌的诊断及预后预测价值[J].中华妇幼临床医学杂志(电子版),2021,6(3):368-372.

[15]许泓,徐晓红.自动乳腺超声成像系统的临床应用进展[J].海南医学,2021,32(10):1324-1327.

[17]王怡,房文靖,张中正.基于卷积神经网络的乳腺癌风险预测研究[J].科技创新与应用,2022,12(7):61-63.