不同年資超聲科醫師應用S-Detect技術診斷乳腺結節的價值研究

曹 力，張會萍，周毓青，周珠影

上海市長寧區婦幼保健院/華東師范大學附屬婦幼保健院超聲醫學科，上海 200050

乳腺癌發病率逐年增高。世界衛生組織國際癌癥研究機構（International Agency for Research on Cancer，IARC）發布的2020全球最新癌癥負擔數據顯示，乳腺癌發病率超過肺癌，成為全球第一大癌癥［1］。2020年中國女性乳腺癌新發病例數約42萬，仍居女性癌癥發病率首位。乳腺癌的早期發現及早期診斷，對于患者早期治療及改善預后，具有重要作用［2］。超聲檢查具有簡便無創、價格低廉等優勢；隨著基于超聲檢查的乳腺影像報告和數據系統（Breast Imaging Reporting and Data System，BI-RADS）的不斷完善及廣泛應用，超聲檢查已成為乳腺病變重要的檢查方法［3-4］。但是，超聲檢查對于乳腺結節的診斷準確度仍受檢查者的經驗和水平的影響，其靈敏度和特異度在不同醫師間差異較大［5］。

乳腺腫瘤的鑒別是臨床研究的熱點，隨著人工智能（artificial intelligence，AI）技術的應用，乳腺腫瘤的診斷和鑒別診斷水平有了明顯提高。S-Detect技術是韓國三星集團開發的一款較成熟的計算機輔助設計（computer aided design，CAD）軟件［6］，可對超聲圖像的形態特征等自動分割和描述，并得出“可能良性”或“可能惡性”的結果，操作簡便，可用于乳腺結節的自動化定性診斷［7］。本研究分析不同工作年限和AI間的診斷效能，對于臨床合理應用AI技術提供參考。

1 資料和方法

1.1 資料

研究對象為2020年7—10月在上海市長寧區婦幼保健院乳腺科接受手術治療并獲得病理學診斷結果的乳腺結節患者。納入標準：常規超聲檢查發現乳腺結節；自愿加入本研究并接受S-Detect技術檢查。排除標準：常規超聲及S-Detect技術檢查前曾接受術前化療、放療或內分泌治療等；乳腺內置入假體者；常規超聲難以顯示的非腫塊型病灶；未獲得最終病理學診斷結果的病灶。

本研究共入組患者100例，均為女性，年齡21～71歲，平均年齡（43.1±12.3）歲；共入組乳腺結節144個，最大直徑7～83 mm，平均最大直徑（16.2±9.7）mm。本研究經醫院倫理委員會批準，所有受檢者均簽署知情同意書。

1.2 儀器與方法

采用韓國三星集團的WS80A超聲診斷儀，使用頻率為5～12 MHz的L3-12A探頭。所有檢查由1名超聲專業高年資副主任醫師（具有18年乳腺超聲診斷經驗）和1名超聲專業低年資主治醫師（具有3年乳腺超聲診斷經驗）分別進行。檢查前，2名超聲科醫師均接受S-Detect技術的應用培訓。囑患者取平臥位，雙手外展，充分暴露雙側乳房及腋下。首先行常規超聲檢查，多切面掃查雙側乳腺及腋下，記錄乳腺結節的位置、大小、形態、邊界、內部回聲、有無鈣化、后方回聲、是否有周圍組織改變、有無彩色血流以及是否有腋下腫大淋巴結等，以BI-RADS分類結果≤4A診斷為良性結節，＞4A診斷為惡性結節。

S-Detect檢測選取乳腺模式，2D模式下行結節縱切，調整探頭，充分顯示結節特征，獲得最佳乳腺結節圖像；啟動S-Detect模式，系統將自動描繪結節邊界，必要時采用手動調整；如果結節很大，就選擇性顯示病灶的特征性部分。系統會根據結節特征自動分析得出結論“可能良性”（圖1A）或“可能惡性”（圖1B）。隨后選擇結節橫切面，重復上述檢查，得出橫切面結論“可能良性”或“可能惡性”。記錄兩次S-Detect技術的結論，兩次結果均為“可能良性”者認定為良性結節，兩次結果均為“可能惡性”者及兩次結果分別為“可能良性”和“可能惡性”者認定為惡性結節。

圖1 乳腺良性及惡性結節S-Detect圖像

1.3 統計學處理

采用SPSS 22.0軟件分析數據。P＜0.05為差異有統計學意義。以病理學檢查結果為金標準。BI-RADS分類、S-Detect技術2名醫師的診斷效能以靈敏度、特異度、陽性預測值、陰性預測值及準確度表示。繪制受試者工作特征（receiver operating characteristic，ROC）曲線，計算常規超聲的BI-RADS分類、S-Detect技術2名醫師的曲線下面積（area under curve，AUC）；AUC比較采用Z檢驗。常規超聲檢查、S-Detect技術2名醫師診斷結果的一致性檢驗采用組內相關系數（intraclass correlation coefficient，ICC），ICC大于0.8表示兩者高度一致，ICC 0.6～0.8表示兩者中度一致，0.41～0.60為一致性一般，0.11～0.40為一致性較低，0.1以下為無一致性。

2 結 果

2.1 病理學檢查結果

144個乳腺結節中，良性124個，占86.1%，直徑7～83 mm，平均直徑（15.6±9.7）mm；惡性20個，占13.9%，直徑7～35 mm，平均直徑（19.8±8.8）mm。良性結節包括纖維腺瘤82例，其中包括纖維腺瘤伴鈣化5例，纖維腺瘤伴黏液變性3例；導管內乳頭狀瘤6例；乳腺病36例，其中乳腺病伴囊腫形成7例，乳腺病伴纖維腺瘤形成趨勢7例。惡性結節包括浸潤性導管癌15例，導管內原位癌3例，浸潤性小葉癌2例。

2.2 常規超聲檢查、S-Detect技術診斷結果與病理學檢查結果對比

常規超聲檢查、S-Detect技術2名醫師診斷結果與病理學檢查結果對比見表1。

表1 常規超聲檢查、S-Detect技術2名醫師診斷結果與病理學檢查結果對比n（%）

2.3 常規超聲檢查、S-Detect技術的診斷效能

常規超聲檢查、S-Detect技術2名醫師的診斷效能以靈敏度、特異度、陽性預測值、陰性預測值及準確度表示，詳見表2。

表2 常規超聲檢查、S-Detect技術2名醫師的診斷效能

常規超聲檢查高年資醫師及低年資醫師的AUC分別為0.868和0.690；S-Detect技術高年資醫師及低年資醫師的AUC分別為0.877和0.893（圖2）。Z檢驗結果顯示，常規超聲檢查低年資醫師的AUC與其他三者差異有統計學意義（P＜0.01）。

圖2 常規超聲檢查、S-Detect技術2名醫師ROC曲線

2.4 常規超聲檢查、S-Detect技術診斷結果的一致性檢驗

常規超聲檢查高年資醫師及低年資醫師ICC為0.736（0.633～0.810），具有中度一致性；S-Detect技術高年資醫師及低年資醫師ICC為0.928（0.900～0.748），具有高度一致性。

3 討 論

盡管BI-RADS分類規范了乳腺病變的常規超聲診斷標準，但是其診斷效能仍依賴于超聲檢查者的經驗及水平。本研究結果顯示，應用常規超聲檢查對乳腺結節進行良惡性鑒別診斷，高年資醫師的診斷靈敏度和特異度分別達到80.0%和93.5%；而低年資醫師的診斷靈敏度和特異度則分別為50.0%和87.9%，明顯低于高年資醫師。這與其他學者［8-9］的報道結果近似。目前中國的超聲診斷工作多為1名超聲科醫師獨立操作并完成診斷，缺乏上級醫師的監督與復核［10］。年輕超聲科醫師的成長需要時間及經驗的不斷積累，但這種積累不能以患者被誤診或漏診為代價。因而尋找快速有效提高低年資超聲科醫師診斷效能的方法迫在眉睫。

以大數據、深度學習算法為基礎的AI技術正廣泛應用于醫療領域，將醫學影像學與AI相結合，自動檢測、分析病變的特征，學習、思考、推理、規劃，自動對病變性質進行判斷，可有效避免操作者的主觀因素影響，提高工作效率以及診斷效能［11］。S-Detect技術采用卷積神經網絡深度學習算法，基于大數據分析，并深入了解超聲科醫師核心的需求，從乳腺結節的邊界、形態、輪廓、內部及后方回聲等數據中發現規律，為乳腺結節的良惡性質鑒別提供參考依據，提高診斷效能，使乳腺超聲診斷更高效［11-13］。本研究結果顯示，低年資醫師應用常規超聲檢查診斷乳腺結節的AUC為0.690，而應用S-Detect技術，AUC提高至0.893，與高年資醫師應用常規超聲檢查及S-Detect技術的診斷效能相似（AUC分別為0.868及0.877）。Zhao等［14］及Di Segni等［15］的研究結果也顯示，S-Detect技術可以提高低年資超聲科醫師的診斷效能，達到與高年資超聲科醫師近似水平。Di Segni等［15］的研究指出，S-Detect技術可以作為低年資醫師的教學工具，來快速提高其診斷水平。本研究ICC結果顯示S-Detect技術在高年資醫師及低年資醫師間具有高度一致性。同樣，Bartolotta等［16］的研究也顯示，S-Detect技術可以提高不同觀察者間的診斷一致性。S-Detect技術可以彌補低年資超聲科醫師的經驗不足，明顯提高其診斷信心與診斷水平，達到與高年資醫師相近的診斷效能；同時，S-Detect技術操作簡便，不增加診斷時間，報告結果清晰，可重復性好，尤其適用于經驗不足的基層醫院醫師和初級醫師，值得臨床推廣。

本研究具有一定的局限性。首先，盡管本研究包含144例乳腺結節，但惡性結節僅20例，相對較少。此外，本研究未按結節大小以及是否有鈣化來分組討論S-Detect技術的診斷效能。有研究［17］表明，結節大小及是否有鈣化可能會影響S-Detect技術的診斷結果，造成假陽性或假陰性。本研究結果尚需加大樣本量并分組討論來進一步證實。

綜上，高低年限工作經驗對于臨床超聲診斷結果有一定的影響，而應用AI方法（S-Detect技術）可以降低經驗的影響，大大提高低年資超聲科醫師的診斷水平及診斷信心，且操作簡便值得臨床推廣。