RSNA2020 乳腺影像學

楊真露，李嫣，詹晨奧，胡益祺，霍敏，陳成洋，唐彩麗，覃艷金，艾濤，夏黎明

乳腺X線檢查

1.數字乳腺X線攝影(Digital Mammograms，DM)

數字乳腺X線攝影是目前乳腺癌篩查的主要工具，繁重的工作量和腺體重疊帶來的漏診是影像醫生面臨的主要問題。今年RSNA關于數字乳腺X線攝影的研究仍聚焦于人工智能(artificial intelligence，AI)，通過大量多中心圖像數據進行模型建立是一大亮點，這些人工智能模型旨在減輕影像醫生工作量并提高篩查效能。

數字乳腺X線攝影篩查通常需要雙重閱片，這是一種勞動密集型的方法。Sharma等使用AI算法代替第二個閱片者可以使81.9%的女性獲得明確診斷，只有18.1%的病例需要額外的閱片者再次閱讀，從而提供了一種可行的解決方案來應對乳腺X線攝影閱片中的勞動力危機。Ananthasivan等發現無論醫生經驗如何，AI/機器學習(ML)輔助報告系統都能減少放射科醫生報告周轉時間，提高其工作效率。而Strand等發現將AI算法與放射科醫生聯合閱片時，雖然可以檢出更多癌癥，但異常評估卻成比例增加，未來研究要集中解決AI聯合醫生雙重閱片時導致的異常評估增加。另一個減少工作量的策略是建立分診模型，Rodriguez-Ruiz 等利用AI系統(Transpara version 1.6.0，ScreenPoint Medical)對篩查性乳腺X線攝影進行分診篩選，低于AI評分閾值的病例只需要單次閱片，而高于閾值的需要雙重閱片，這與傳統的雙重閱片相比，癌癥檢出率保持不變，而召回率降低且陽性預測值提高，從而可以減少工作量并提高篩查性能。Lamb等也訓練了一種深度學習模型用于分診乳腺篩查X線攝影，該模型可以顯著減少工作量，通過調整假陰性率閾值，可以減少假陰性或假陽性結果，達到預期結果。

在預測乳腺癌風險方面，傳統的預測模型主要是依據臨床病史和腺體密度，Lamb等發現乳腺X線攝影包含了傳統風險模型不能識別的高預測性標志物，他們利用大量乳腺X線攝影圖像構建的深度學習(DL)模型可以明顯提高乳腺癌的風險預測。Kim等利用200,000張數字乳腺X線圖像訓練了一種神經網絡分類器GMIC，用于對乳腺篩查X線片做出惡性預測，結果發現該分類器對非致密乳房的預測效果優于對致密乳房，并且與放射科醫生相似。減少間期癌發生率是乳腺癌篩查項目的重要目標，Mann等發現不論是作為獨立閱片者或用作預選工具，AI腫瘤檢測系統(Transpara，Screen Point Medical)都可以幫助確定哪些患者可以從額外的乳腺篩查影像學中受益，以降低間期癌的發生率。

乳腺癌篩查策略不僅要敏感地檢出癌癥，還需要正確地識別良惡性，減少不必要的活檢。通常乳腺X線攝影上被評估為BI-RADS 4類的病灶大多數被建議活檢，但是其中70%～80%的活檢呈陰性。Liu等利用卷積神經網絡模型VGG-16對乳腺X線攝片上評價為BI-RADS 4的病灶進行再分類，結果顯示25%～35%的BI-RADS 4病灶可以避免不必要活檢，同時“更高級別病灶”(非典型增生、導管原位癌和浸潤性乳腺癌)的檢出敏感度達到95%。Rodriguez-Ruiz等利用人工智能系統對乳腺X線攝影篩查召回的有可疑鈣化的患者進行惡性可能性評分，如果僅對評分為10的病變進行活檢時，只會漏掉一個低級別的導管原位癌，而良性活檢的數量將減少23.1%。

此外，基于乳腺X線攝影的人工智能研究還探索了新的內容。Kim等應用3個國家5家醫院的170230張乳腺X線攝影數據建立了一種檢測乳腺癌的AI算法，該算法產生一個連續的AI異常評分，范圍在0～1之間，對應于惡性腫瘤的概率，研究發現不同BI-RADS分類的AI異常評分有顯著性差異，AI異常評分可作為乳腺X線攝影BI-RADS分類的獨立生物標志物。乳腺腺體的致密程度影響乳腺X線攝片的閱片準確性，同時與乳腺癌的發生具有一定相關性。Lee等利用大量乳腺X線攝影數據開發了一種可評估乳腺致密程度的AI算法，在2D及合成2D乳腺X線攝影圖像上評估乳腺密度時，該AI算法可以達到放射科醫生的水平，有利于快速、準確地評估腺體密度。人工智能在篩查乳腺X線攝影技術中顯示出巨大的前景，然而，在實際應用中，人工智能模型的性能在包括種族在內的各種重要因素上表現出了偏差。此外，黑人和白人婦女在乳腺X線攝影的篩查質量和乳腺癌統計方面也存在差異。然而根據Lotter等研究，發現AI模型在黑人和白人的乳房X線攝影圖像中表現出相似的良惡性鑒別能力。

2.數字化乳腺斷層成像(digital breast tomosynthesis，DBT)

部分研究顯示篩查中納入DBT可以減少召回率并提高癌癥檢出率。但該技術作為獨立或者補充性篩查工具的價值仍需進一步研究。Pavic等研究顯示與數字乳腺X線攝影(DM)相比，雙視野的廣角DBT以及廣角DBT聯合DM可以顯著提高乳腺癌檢出率和閱片者自信度，但是召回率沒有變化，并且發現在雙視野廣角DBT上額外檢出的乳腺癌大多數是伴有結構扭曲的小浸潤性癌。一項薈萃分析顯示與單獨的2D乳腺X線攝影相比，聯合DBT和2D乳腺X線攝影可以在篩查中檢測到更多乳腺癌。另外，一項大型的隨機對照實驗發現利用DBT聯合DM對50～69歲女性進行篩查時可以明顯提高乳腺癌檢出率，但是不能減少間期癌及后期癌癥的發生。引進人工智能系統支持DBT閱片后，使得放射科醫生可以更優化地分配閱片時間，進一步提高診斷敏感度。這些結果可能會增加DBT作為篩查工具的證據。

3.對比增強能譜乳腺X線成像(contrast-enhanced spectral mammogram，CESM)

研究證明CESM檢測病灶的敏感度高于傳統乳腺X線攝影，并且具有較高的特異性。乳腺密度評估是乳腺X線攝影診斷的重要組成部分，CESM采用的對比劑是否會對乳腺密度的評估造成影響，是研究關注的熱點。Gennaro等研究顯示非增強的乳腺X線攝影術和低能量CESM在乳房體積密度的評估上具有較高一致性。

不伴腫塊的可疑微鈣化定性是乳腺X線攝影診斷的難點。Gomaa等回顧性分析了510例乳腺X線攝影上沒有腫塊的可疑鈣化病灶，發現CESM區分良惡性微鈣化的敏感度、特異度、陰性預測值及陽性預測值分別為79.26%、100%、61.64%和100%；預測高級別導管原位癌的敏感度、特異度、符合率分別為98%、81.8%、93.1%；預測浸潤性癌或高級別導管原位癌的敏感度、特異度、符合率分別為98.5%、81.8%和87.5%。CESM在評估可疑微鈣化的分級和侵襲性方面具有重要的作用，存在非腫塊樣強化是高級別DCIS或侵襲性癌的征象，而無強化有助于診斷良性病變或非侵襲性/低級別導管原位癌。

此外，基于CESM圖像的影像組學研究也提供新的思考。Wang等利用增強乳腺X線攝影(CEM)的高能量、低能量、雙能量剪影圖像提取到的影像組學特征分別構建乳腺良惡性疾病的鑒別模型，發現利用高能量圖像或者所有CEM圖像構建的模型可以達到最佳診斷效果，AUC分別為0.938和0.889。

乳腺超聲

1.常規超聲

超聲(US)是一種常用的乳腺檢查手段，不僅可以檢測和診斷乳腺腫塊，還能反映腋窩淋巴結浸潤情況。Porembka等報道對于篩查性DBT召回的患者，單獨使用US對非鈣化病變進行診斷評估的假陰性率較低，因此可以避免行DM檢查。Candelaria等研究了283例三陰性乳腺癌患者的超聲圖像形態學特征和淋巴結浸潤的關系，發現超聲顯示腫瘤的形態和邊界與淋巴結浸潤程度相關。

2.腋窩超聲

腋窩淋巴結浸潤情況對于乳腺癌分期及治療方案制定至關重要。Jin等研究顯示對乳腺癌腋窩淋巴結受累評估時，淋巴結對比增強超聲檢查的敏感度為73.53%，符合率為73.15%，未受累的淋巴結通常表現為皮質強化，而無強化的腫大淋巴結是受累的重要特征。Pinker-Domenig等利用淋巴超聲(Lymphosonography)識別前哨淋巴結，與放射性示蹤劑和參考標準(藍色染料)相比，淋巴超聲在識別乳腺癌患者前哨淋巴結方面具有更高的準確性。

3.剪切波彈性成像(shear wave elastography，SWE)

利用SWE評估乳腺組織或病灶硬度有潛力用于預測患者預后和治療應答。Kim等發現SWE測量得到的高硬度值與T1-2期乳腺癌患者較差的無病生存率有關。Grover等發現SWE的參數Emean預測局部進展期乳腺癌新輔助化療后病理反應的敏感度和特異度分別為90.9%和75%，優于普通超聲的預測敏感度和特異度(分別為72.7%和62.5%)，這有助于為患者制定個體化治療方案。根據最新治療指南，對于腫瘤DX復發評分(ODX RS)大于16(≥50歲)或大于26(50歲)的早期乳腺癌患者，單純化療和內分泌治療幾乎沒有益處。Youk等開發和驗證了基于SWE的諾模圖，可以預測ODX RS并指導輔助性全身治療決策。

4.自動化乳腺超聲(automated breast ultrasound，ABUS)

ABUS可以減少傳統超聲檢查對操作人員的依賴性，但是ABUS對乳腺組織的顯示常伴有嚴重陰影，使得圖像分析的難度增加，降低了特異度。Allajbeu等發現在普通超聲上評為非均質性腺體及在乳腺X線攝影上評為BI-RADS C級的乳腺類型，在ABUS上更容易出現中度或者重度的背景實質陰影，這會提升檢查的假陽性率。Suzuki等比較了114例患者的3D ABUS冠狀面以及橫軸面掃描對乳腺腫塊探測的準確性以及讀取時間，結果發現3D ABUS冠狀面與常規橫軸面相比，乳腺腫塊顯示的準確性相同，但有效縮短了讀取時間。

5.超聲新技術

常規超聲在檢測微鈣化方面具有很大局限性。Kim等介紹了一種使用彩色多普勒(CD)閃爍偽影(CDTA)的超聲新技術，并評估了其檢測乳腺癌微鈣化的可行性，結果提示乳腺微鈣化在CDUS上產生可識別的CDTA信號，對乳腺癌微鈣化的檢測效果好，中位檢出率為96.7%。

Reis等探討了一種新型的無創定量超聲標記-乳腺異質性指數(HI)在超聲上預測乳腺腫塊良惡性方面的應用，結果顯示HI能夠預測乳腺良惡性病變，并與腫瘤侵襲性的臨床指標Nottingham評分呈正相關。

6.人工智能

使用全監督方式訓練DL模型時需要注解興趣區ROI，這樣耗時耗力且有偏見。Kim等基于超聲圖像開發了一種弱監督DL模型用于自動檢測乳腺腫塊并進行良惡性分類，結果顯示弱監督模型在內部和外部驗證集中的診斷性能與全監督模型的性能沒有明顯差異，提示這種相對省力的弱監督DL模型在乳腺癌的超聲診斷中是可行的，且具有良好的鑒別診斷能力。

乳腺磁共振成像(MRI)

乳腺MRI具有優秀的軟組織分辨率和豐富的成像序列，包括常規T1、T2加權成像、彌散加權成像(DWI)及動態增強MRI(DCE-MRI)等，不僅可以提供解剖學特征，還可以反映病灶的功能學改變。因此乳腺MRI在乳腺癌檢出、隨訪、術前確定腫瘤范圍、預測預后和治療應答方面都具有重要價值。

術前MRI可以檢出其他成像方式未檢出的癌癥、確定癌灶范圍并預測預后。Park等發現年輕乳腺癌患者的術前MRI檢查可以檢出額外的惡性病灶，并通過顯著降低重復手術率和陽性切緣率來改善手術結局。一項大型多中心臨床研究也顯示術前MRI顯示的導管原位癌范圍比乳腺X線攝影顯示的更大，并且可以額外檢出癌癥。Jung等發現術前MRI顯示乳腺癌病灶大于5cm和瘤周水腫是預測年輕乳腺癌患者術后復發的獨立因子。由于MRI檢測的高敏感性，臨床上有部分乳腺癌僅在MRI上被檢出，對于這部分癌癥的特征需要進一步評估。Malmierca等發現就病理學、免疫組織化結果和病灶大小而言，僅MRI檢出的乳腺癌與常規技術(DM，DBT，US)檢出的乳腺癌沒有區別，并且未提高乳房切除術的比率，因此，不應將僅MRI檢出的乳腺癌視為過度診斷。

DCE-MRI檢測病灶的敏感性高，但是特異性相對較低。Mann等發現超快DCE-MRI的加入可以顯著提高常規DCE-MRI診斷乳腺癌的特異性，而敏感性保持不變，超快成像衍生的參數增強時間(TTE)比傳統的時間信號強度曲線(TIC)具有更高的診斷準確性。雖然DCE-MRI具有重要的診斷價值，但是釓對比劑(GBCA)的安全性也需要重視。BI-RADS 3類病灶通常需要定期隨訪，重復使用釓對比劑可能會讓患者有所顧慮，需要開發非增強的乳腺MRI技術用于隨訪。Eskreis-Winkler等發現在BI-RADS 3類病灶的6個月隨訪中，乳腺T2加權圖像顯示的病灶大小變化和BI-RADS分類與DCE-MRI顯示結果具有極好的一致性，這表明在部分隨訪病例中可以避免使用GBCA。DWI也是一種無需對比劑的成像手段，其反映水分子擴散情況。Lee等發現在診斷無癥狀女性早期乳腺癌時，無論病灶大小，組織病理學和分子亞型如何，DWI的檢測能力均優于乳腺X線攝影。

確定乳腺癌分子分型對于選擇合適的治療方案至關重要。Kim等在DCE-MRI和ADC圖上測量乳腺癌瘤內異質性，發現在不同的乳腺癌分子亞型中，這些動力學異質性和ADC異質性指數具有顯著差異，提示這些異質性參數可以無創地反映乳腺癌的分子亞型，有利于指導和監測治療。人工智能算法有望進一步挖掘圖像特征與分子亞型的關系。Zhang等發現與傳統的卷積神經網絡網絡(CNN)相比，使用CLSTM的循環網絡可以追蹤DCE采集期間信號強度的變化，在預測乳腺癌ER、PR、HER-2亞型中表現出更高的準確性。

乳腺癌新輔助化療患者的完全病理應答與較長的無復發生存期相關。早期預測新輔助化療應答情況有利于制定合適的化療方案，及時調整方案，挑選出真正受益的患者，避免無效化療帶來的副作用。Ko等報道了一種新的圖像指標用于預測新輔助化療效果，基于治療前MRI獲得脂肪-腫瘤界面值，發現較高的脂肪-腫瘤界面值與較差的治療應答相關，在肥胖患者、HER-2陽性患者和腫瘤體積較大的患者中這種相關性更高。異質性高的腫瘤通常較難獲得持久應答，而瘤內灌注異質性是腫瘤異質性的主要驅動力。Niell等報道乳腺DCE-MRI的腫瘤內灌注異質性可預測新輔助化療病理性完全應答(pCR)，預測符合率達到83%。影像組學特征是影像醫生肉眼無法評估的圖像特征，有望增加診斷價值。Chitalia等發現聯合乳腺癌新輔助化療后早期的影像組學特征變化和分子分型信息可以提高對新輔助化療后無復發生存率的預測。Musall等發現新輔助治療第2周期和第4周期后的ADC圖瘤周區域的影像組學特征對三陰性乳腺癌的病理完全應答有很高的預測價值。新輔助治療第2周期后的瘤周含脂肪區域的9個特征構建的模型性能最佳，在測試集的預測AUC達到0.70。