乳腺超聲人工智能應用進展

劉芳欣，王 洲，任永鳳，李 健

(亳州市人民醫院超聲科，安徽 亳州 236800)

乳腺癌是女性最常見的癌癥之一，早期篩查、診斷并及時治療可有效降低死亡率。超聲是篩查乳腺癌的重要影像學方法，除灰階超聲外，彩色多普勒、頻譜多普勒、超聲造影及彈性成像等新技術有助于獲得更準確的信息，但存在操作者依賴性，而突破這一局限性的關鍵是提高超聲檢查的標準化、規范化程度及量化準確率。隨著醫學影像的全面數字化及計算機技術的應用，采用人工智能(artificial intelligence，AI)有望在技術層面解決上述問題。近年來AI技術迭代更新，因圖像識別效果極佳而受到廣泛關注。AI可自動識別成像信息并進行分類評估，提高超聲在乳腺影像中的應用價值[1]。本文對AI在乳腺超聲中的進展進行綜述。

1 AI與乳腺超聲

AI是以計算機、數學及哲學等學科為基礎而模擬、擴展并延伸人的智能的綜合學科，于20世紀60年代首次用于乳腺醫學影像，并開發了計算機輔助檢測/診斷(computer aided detection/diagnosis，CAD)系統。通過綜合運用計算機、統計學、數學、圖像處理與分析等多種技術，CAD系統可從醫學影像中提取圖像特征、標注可疑病變位置并判斷病變性質。隨著AI技術的迅速發展、尤其是深度學習(deep learning，DL)算法的開發與更新，乳腺超聲AI技術的應用逐漸走向更高層面，可在很大程度上彌補傳統CAD功能單一、性能不佳及假陽性率過高等劣勢。有別于傳統CAD系統，基于DL的CAD系統可直接訓練醫學圖像并構建模型，實現端-端學習(end-to-end learning)[2]，此種通過海量數據集進行高級學習的運算方法可大大提高CAD模型的診斷敏感度和準確率[3]。此外，乳腺超聲AI還可與其他新技術，如超聲射頻(ultrasound radiofrequency，RF)時間序列分析[4]、基于圖形處理單元的多模態CAD乳腺癌超聲與數字乳腺X線成像系統[5]、光學乳腺成像[6]、基于定量傳輸的乳腺組織體積成像[7]及自動乳腺容積掃描(automated breast volume scanning，ABVS)[8]等相結合。

2 AI用于乳腺超聲

2.1 評估乳腺密度 乳腺密度對于評估乳腺癌風險具有重要意義。O'FLYNN等[9]認為超聲體層攝影術可測量乳腺密度，且結果與MRI所示水含量密切相關。NATESAN等[10]采用三維投射超聲自動定量評估乳腺密度，并與乳腺X線攝影進行比較，發現二者計算得出的乳腺密度、乳腺總體積和纖維腺體體積均呈高度相關。WISKIN等[11]發現超聲體層攝影術與基于閾值的分割算法可準確定量計算乳腺密度，且與醫師主觀評價及乳腺密度客觀評價結果均呈高度相關。

2.2 分割圖像 根據組織功能分割乳腺超聲聲像圖有助于定位腫瘤、測量乳腺密度及評估療效，但受超聲操作者依賴性及人工分割技術等限制，常具有較強的主觀性，且耗時、費力。2016年MALIK等[7]運用定量超聲體層攝影術對乳腺組織中的皮膚、皮下脂肪、腺體、導管及結締組織結構進行分類，總體準確率>90%，得到的乳腺組織彩色編碼圖為后期分割乳腺聲像圖及識別病變奠定了基礎。隨后XU等[12]采用三維卷積神經網絡(convolutional neural networks，CNN)將乳腺超聲聲像圖分割為皮膚、纖維腺體、脂肪及腫瘤組織，其定量評價分割準確率、精確率及召回率均達80%以上，提示采用該方法可識別乳腺超聲聲像圖中的功能組織，為臨床診斷乳腺癌及改善其他模式超聲成像提供重要幫助。

2.3 檢出病變及分類 QI等[13]基于超聲醫師和乳腺外科醫師標注的乳腺超聲聲像圖數據集，利用CNN成功構建的診斷模型檢出乳腺惡性病變。HAN等[14]基于生成對抗性網絡的半監督分割網絡構建乳腺超聲數據集模型，并訓練2 000幅超聲聲像圖(100幅帶注釋、1 900幅未帶注釋)，結果表明該模型能于內部和公共數據集上獲得更高的分割精度，可有效利用未注釋聲像圖提高分割質量，有望用于乳腺超聲自動診斷系統，減少標注工作量，降低操作者主觀經驗影響。QIAN等[15]認為二維超聲與彩色多普勒超聲相結合的雙模態神經網絡用于評估乳腺良、惡性腫塊的效果可媲美經驗豐富的超聲醫師。GREEN等[16]發現，建立基于生物力學模型的數字化乳腺體層攝影與ABVS中對應病變的可變形映射有助于提高病變檢出率及診斷準確率，尤其對于致密性乳腺及乳腺多發腫塊患者。HUANG等[17]建立CNN模型識別乳腺超聲聲像圖中病灶所在區域，并進行乳腺影像報告和數據系統(breast imaging reporting and data system，BI-RADS)分類，其對BI-RADS 3類、4a類、4b類、4c類及5類乳腺腫塊的診斷符合率分別達99.8%、94.0%、73.4%、92.2%及87.6%。李程等[18]運用AI超聲設備對400幅超聲聲像圖進行良、惡性分類，敏感度為96.06%、特異度為97.46%，表明AI可能使超聲診斷達到一定程度的標準化和量化。AI能有效協助超聲醫生識別乳腺良惡性病變，減少漏診率，并使分類更為準確。

此外，影像學評估乳腺病變中，存在微鈣化或提示病變惡性可能性高。QIAO等[19]采用基于RF信號的定量多參數融合超聲人工智能鈣化自動檢測方法觀察乳腺腫塊鈣化，結果表明，與人工標注相比，該方法平均準確率達88%，有助于更準確地識別腫塊內鈣化并指導臨床治療。

2.4 預測淋巴結轉移 ZHOU等[20]通過提取原發性乳腺癌超聲聲像圖特征構建Inception V 3模型，獨立預測測試集中術前腋窩淋巴結轉移臨床陰性乳腺癌患者術后腋窩淋巴結轉移情況，以病理結果為金標準，該模型預測敏感度為85%、特異度為73%，均高于醫師診斷效果。通過評估乳腺癌原發灶的聲像圖，DL模型可有效預測腋窩淋巴結轉移情況，進而幫助制定早期診斷策略。

2.5 提高閱片效率 AI能加快描述圖像及診斷的速度。BECKER等[21]對含445幅乳腺超聲聲像圖的數據集進行預訓練，構建CNN模型，并以之分類評估192幅聲像圖所示病變性質，同時由3名工作經驗不同的影像科醫師分別閱片，每幅平均診斷用時分別為7.8、6.9及8.8 s，而CNN模型平均用時為0.94 s，表明AI可顯著縮短醫師診斷用時，提高其工作效率。

2.6 指導手術及勾畫靶區 LU等[22]發現利用三維超聲重建能準確評估腫瘤體積，可與三維MR技術相媲美，為研究三維圖像數據全息顯示等先進的乳腺組織可視化技術提供了依據，有利于臨床制定精確手術計劃以及更好地實現醫患溝通，并在手術過程中提供更有效的導航。此外，對乳腺癌患者保乳治療后行放射治療時，需要準確定位病變區域。SAYAN等[23]與乳腺X線定位結果對比，評估三維超聲用于加速局部乳房輻射術(accelerated partial breast radiation，APBR)定位目標的可行性，結果顯示當超聲可直接顯示乳腺癌保乳術后局部切除腔時，三維超聲可替代乳腺X線攝影而作為APBR日常定位方法，避免不必要的電離輻射。

2.7 監測化學治療療效 既往研究[24]表明，采用超聲背向散射統計參數可提高對新輔助化療(neoadjuvant chemotherapy，NAC)的監測效果，有利于臨床制定個體化NAC方案。定量超聲信息可更好地描述腫瘤病理反應，并能于早期治療階段、腫瘤縮小前有效評估療效。SANNACHI等[25]回顧性分析100例接受NAC的局部晚期乳腺癌(locally advanced breast cancer，LABC)患者的超聲及術后病理資料，基于腫瘤區RF資料計算定量超聲參數，并提取超聲紋理特征，結果表明建立基于定量超聲和紋理特征的聯合CAD系統預測早期治療反應模型可為難治性LABC提供有效的治療方案。

3 不足與展望

目前AI在乳腺超聲領域中的研究如火如荼，但仍存在局限性：①醫療行業是具有人文特質的特殊行業，AI系統數據來源需經倫理批準后自患者數據中提取，并須保護患者隱私，因此需要相關部門建立規范，以嚴格監管AI系統在醫學領域的開展；②“人工”提供的經過訓練的大數據是保障AI實現“智能”的前提，人工的精確度決定智能的準確度，AI無法對未被訓練開發研究的疾病做出診斷，故難以及時應變及創新，其在臨床決策中不能取代醫師的人文及社會特質[26]；③AI算法具有一定“偏見”，泛化能力有限，隨著計算數據量不斷增加，算法準確性可能發生正向或負向改變，需人工不斷加以校正[27]；④目前對于如何獲取、管理、應用及分享AI大數據尚未達成規范和共識，安全性、有效性及普遍性尚未得到驗證，未來仍需尋求更為合理的方式將其融入臨床工作中。

未來新開發的乳腺AI產品將能通過整合產、學、研、用等各界的資源解決上述問題。AI用于超聲領域符合“2030健康中國戰略”要求[28]，相關醫療衛生監管和審批部門正在加速醫療行業中AI技術的落實及其合法化。醫療大數據時代的到來和病例數量的累積，將為AI發展提供更多可能。