S-detect技術輔助超聲鑒別診斷最大徑≤2 cm乳腺良惡性腫塊型病灶

賀 芳，肖際東，文 歡，毛玉瑤

(中南大學湘雅三醫院超聲科，湖南 長沙 410013)

乳腺癌是女性最常見的惡性腫瘤之一，早期診斷和治療是提高患者生存率、延長生存期的關鍵[1-2]。乳腺病灶早期較小，影像學表現復雜多樣，常介于良性與惡性之間，是臨床診斷的難點[3]。S-detect技術是一種新的人工智能超聲輔助診斷技術，采用卷積神經網絡深度學習算法，基于乳腺檢查大數據分析，可為鑒別診斷乳腺良惡性病變提供參考，使乳腺超聲診斷更快速、更高效[4-6]。本研究探討S-detect輔助常規超聲鑒別診斷乳腺良惡性小病灶的應用價值。

1 資料與方法

1.1 一般資料 選取2017年11月—2018年1月于我院接受手術治療并獲得術后病理結果的42例乳腺小病灶患者，均為女性，年齡27～65歲，平均(42.6±6.2)歲；多以乳腺脹痛、觸及腫塊或乳頭溢液等癥狀就診；共54個病灶，最大徑5～20 mm，平均(14.23±4.47)mm。納入標準：接受S-detect技術及常規超聲掃查，乳腺病灶采集切面圖像清晰，病灶為腫塊型且最大徑≤2 cm；術前未接受新輔助化療、內分泌治療等。排除標準：乳腺內置入假體和常規超聲難以顯示的非腫塊型病灶。

1.2 儀器與方法 采用Samsung RS80A彩色多普勒超聲檢查儀，L3-12A探頭，頻率5～13 MHz。囑患者平臥，雙臂充分外展，暴露雙側乳腺和腋窩。以乳頭為中心，分別進行縱切、橫切和斜切面掃查，觀察記錄病灶最大徑、內部回聲、邊緣、包膜、鈣化、縱橫比、后方有無聲衰減及病變與周圍血供情況等聲像圖特征，并觀察雙側腋下淋巴結。S-detect檢測選取乳腺模式，首先在2D模式下對病灶進行橫切、縱切掃查，以腫塊最大徑及與其垂直的切面為標準層面，獲取最佳乳腺腫瘤圖像；進入S-detect模式，軟件自動勾畫病灶區域，必要時予以手動矯正；激活S-detect自動分析程序，輸出S-detect報告，判斷病灶為良性或惡性，若2個切面診斷結果不同，則認定為惡性。

1.3 診斷標準 參照Elverici等[7-10]的標準，以常規超聲對乳腺病灶進行乳腺影像報告和數據系統(breast imaging reporting and data system, BI-RADS)分類：3類表現為良性特征(邊緣光整、橢圓形和平行位生長，后方回聲增強，邊界銳利)；惡性征象(形態不規則、非平行生長、聲暈、邊界不清、后方聲影、微鈣化、周邊組織異常)大于3項，則為BI-RADS 5類；病變特征介于BI-RADS 3類與BI-RADS 5類之間者為BI-RADS 4類。BI-RADS 4類病灶分為4a、4b和4c，具備任意1項惡性征象者為BI-RADS 4a類，2項者為BI-RADS 4b類，3項者為BI-RADS 4c類。BI-RADS 4b類及以上為惡性。

S-detect軟件自動輸出良惡性判定報告。采用S-detect超聲和常規超聲進行聯合診斷時，若二者分類結果不一致，則參照上述BI-RADS分類，S-detect診斷為良性而常規超聲診斷為惡性(BI-RADS 4b類及以上)時，判定為惡性；S-detect診斷為惡性、常規超聲診斷為良性時，如為BI-RADS 3類，則判定為良性，如BI-RADS 4a類，則判定為惡性。

以上檢查及診斷均由2名超聲醫師(2年及8年工作經驗)共同協商完成。

1.4 統計學分析 采用SPSS 16.0統計分析軟件。以手術病理結果作為金標準，分別計算常規超聲、S-detect技術和二者聯合鑒別診斷乳腺小病灶良惡性的敏感度、特異度和準確率。采用MedCalc軟件繪制常規超聲、S-detect及二者聯合鑒別診斷乳腺腫瘤的ROC曲線，計算AUC，并以Z檢驗比較不同檢查方法AUC的差異。P<0.05為差異有統計學意義。

2 結果

于42例患者檢出54個乳腺病灶，其中良性病灶30個(30/54，55.56%)，包括纖維瘤16個，乳腺增生10個，肉芽腫性乳腺炎3個，導管內乳頭狀瘤1個；惡性病灶24個(24/54，44.44%)，包括浸潤性導管癌19個，導管內原位癌2個，浸潤性小葉癌、黏液腺癌、髓樣癌各1個。

與術后病理結果對照，常規超聲正確診斷46個病灶(BI-RADS 3類24個，4a類3個，4b類6個，4c類7個，5類6個)，診斷準確率85.19%(46/54)；S-detect正確診斷41個病灶(惡性15個，良性26個)，診斷準確率75.93%(41/54，圖1、2)；常規超聲聯合S-detect正確診斷51個病灶(惡性22個，良性29個)，診斷準確率94.44%(51/54，表1)。

ROC曲線結果顯示，常規超聲、S-detect及二者聯合診斷乳腺病灶良惡性的AUC分別為0.846、0.746和0.942(P均<0.05，圖3)。二者聯合鑒別診斷乳腺病灶良惡性的AUC大于單獨應用常規超聲和S-detect技術，差異均有統計學意義(Z=1.998，P=0.046；Z=3.563，P<0.001)，而常規超聲與S-detect間AUC差異無統計學意義(Z=1.688，P=0.092)。

表1 常規超聲、S-detect及二者聯合應用鑒別診斷良惡性乳腺小病灶的效能

圖1 患者女，42歲，左側乳腺病灶聲像圖，S-detect診斷為良性，病理證實為纖維瘤 圖2 患者女，40歲，左側乳腺病灶聲像圖，S-detect診斷為惡性，病理證實為浸潤性導管癌

圖3 常規超聲、S-detect及二者聯合應用鑒別診斷乳腺腫塊良惡性的ROC曲線

3 討論

超聲與人工智能結合是數字醫療領域研究新熱點之一。傳統超聲儀器受限于單機操作，無法滿足海量診斷數據互通共享；而人工智能超聲在深入了解超聲醫師核心需求的基礎上，通過自身學習、思考、推理、規劃等，有助于超聲醫師從所獲數據中發現規律，提高檢測效率，減少人為誤判率，已逐漸成為超聲醫師的智腦和助手，具有廣闊的應用前景[11-12]。

目前定性診斷乳腺小病灶、尤其是乳腺癌的早期診斷仍是臨床難點[3]，提高乳腺小病灶的診斷效能具有重要意義。S-detect技術采用人工智能深度學習技術自動識別乳腺腫瘤的邊界、形態等特征，為腫塊BI-RADS分類提供參考。Gewefel[13]報道，S-detect技術鑒別診斷乳腺腫瘤良惡性的特異度可達100%，常規超聲為89.2%，S-detect技術的敏感度為61.9%，常規超聲則達到95.7%。有學者[4,14]對比觀察S-detect技術與常規超聲、彈性成像對乳腺良惡性腫塊的鑒別診斷效能，發現S-detect技術具有較高的特異度、陽性預測值及準確率。姜海艷等[15]報道S-detect超聲鑒別診斷乳腺良惡性病灶的效能較高，其敏感度為100%，特異度為90.5%，準確率為91.7%。雖然不同研究中S-detect技術診斷乳腺良惡性腫瘤的敏感度和特異度方面仍有一定差異，但均表明S-detect輔助超聲診斷可有效提高乳腺腫瘤的診斷準確率，具有重要的臨床應用價值。

本研究以最大徑≤20 mm的乳腺小病灶為研究對象，采用ROC曲線評價S-detect技術的診斷效能，結果顯示，S-detect技術的AUC值低于二者聯合，而與常規超聲無統計學差異；其對乳腺結節的診斷準確率低于常規超聲，敏感度僅62.50%，特異度為86.67%。本組S-detect的陽性似然比為4.69，陰性似然比為0.43，提示單獨應用S-detect技術的診斷效能尚不理想。其中1個乳腺炎病灶聲像圖表現邊界不清，內部回聲紊亂，S-detect誤診為惡性腫瘤，而常規超聲結合病史予以排除；另1個最大徑為7 mm的病灶，S-detect單獨診斷為良性結節，常規超聲表現為低回聲結節，邊界清晰，內見微小鈣化，后方有聲影，按照BI-RADS分類判定為BI-RADS 4b類，參照二者聯合設定的診斷標準判斷為惡性結節，最終病理證實為浸潤性導管癌。本研究結果提示，對于鑒別診斷良惡性乳腺小病灶，單獨應用S-detect技術只能作為一種補充手段。

本研究結果顯示，常規超聲與S-detect聯合應用的AUC為0.942，大于單獨應用S-detect及常規超聲，差異均有統計學意義；S-detect聯合常規超聲鑒別診斷乳腺小病灶良惡性的陽性似然比為27.50，陰性似然比為0.09，提示S-detect技術聯合常規超聲可提高乳腺小病灶良惡性的診斷效能。二者聯合應用的優勢與下列因素有關：首先，利用S-detect技術可對圖像進行隨時反復閱讀，以彌補臨床經驗不足的缺點，降低操作者依賴性，減少主觀錯誤[4-5]；其次，常規超聲通過多方位、多切面觀察，可詳細了解病灶內部情況及與周邊組織的關系，提高對乳腺小腫塊良惡性的識別率；此外，常規超聲診斷過程中，還可通過詢問病史，緊密結合臨床，從而提高鑒別診斷能力[16-19]。

本研究的不足：樣本量較小，未納入非腫塊型病灶等，統計結果存在部分偏差；S-detect診斷結果與操作醫師的熟練程度以及儀器的分辨力有關，可能導致S-detect分析結果存在偏差。

綜上所述，S-detect是一種新型人工智能技術，用以輔助超聲診斷可進一步提高對≤2 cm乳腺良惡性腫塊型病灶的診斷效能，減少主觀因素的影響，具有重要臨床應用價值。