性癌症死亡的最常见原因之一，而且死亡率在全球范围内不断上升。仅在2020年，总共有230万妇女被诊断为乳腺癌，在全世界造成68.5万人死亡。据估计，女性一生中患乳腺癌的概率为12.3%，1年、3年和5年的生存率为92%、75%和73%。

        目前的筛查计划最常见的是依靠乳腺钼靶检查，可减少45%的乳腺癌相关死亡率。由于传统的乳腺钼靶检查需要压迫乳房，很多女性因害怕疼痛而放弃乳腺钼靶检查。此外，致密的乳腺组织会降低常规乳腺检查对癌症的敏感性。对于有致密乳腺组织或不愿意接受乳腺钼靶检查的女性来说，乳腺超声是一种强有力的替代方式，作为乳腺钼靶检查的辅助手段可以提高癌症检测的准确性，但结果高度依赖于操作者的技能和经验，结果非常主观。

        乳腺成像-报告和数据系统(BI- RADS)是由美国放射学会(ACR)提出的一个分类系统，用于规范乳腺摄影的质量控制和风险评估。BI-RADS指南应用数字标度来描述病变的存在和恶性肿瘤的可能性。BI-RADS 1对应的是没有检测到肿块或病变的图像;BI-RADS 2描述的是没有怀疑恶性的病变;BI-RADS 3代表恶性可能性低(<3%);4a-恶性怀疑低(2-10%);4b-中间怀疑(11-50%);4c-高度怀疑(51-94%);而BI-RADS 5对应的是恶性可能性高(>95%)。

        自动乳腺超声(ABUS)可以代替常用的手持式超声(HHUS)，实现图像采集的标准化，完全覆盖整个乳腺体积，并将采集任务交给技术人员以减少人为误差。ABUS检查的缺点之一是图像数量大，导致缺乏经验的放射科医生的阅读时间增加。机器学习技术可以对乳腺成像结果进行检测和分类，尤其是深度卷积神经网络(dCNN)为乳腺成像提供了强有力的工具。应用dCNNs从ABUS检查中提取特征，使二次阅读的诊断可靠性得到提高。

        近日，发表在EuropeanRadiology杂志的一项研究使用ABUS检查结果训练了一个dCNN算法，以模拟根据ACR BI-RADS建议的ABUS检查风险评估的放射学决策，并在dCNN分类的基础上，采用滑动窗口法对ABUS数据集中的可疑和非可疑病灶进行自动定位，实现乳腺病变的全自动准确识别及风险分层。

        本项回顾性研究纳入了113名患者的645个ABUS数据集;55名患者的病变被列为高度恶性。病变被分为BI-RADS 2(不怀疑恶性)、BI-RADS 3(恶性概率<3%)和BI-RADS 4/5(恶性概率>3%)。在用病变和正常乳腺组织的图像进行数据增强后对深度卷积神经网络进行训练，并使用滑动窗口方法来检测病变。该算法被应用于包含128张图像的测试数据集，并与2名经验丰富的放射科医生的判析进行了比较。

        对单一图像进行计算的结果显示，根据BI-RADS进行分类的准确性为79.7%，AUC为0.91 [95% CI: 0.85-0.96]。dCNN和真实结果之间取得了适度的一致(κ：0.57 [95% CI：0.50-0.64])，与医生的诊断水平相当。对整个数据集的分析将分类准确率提高到90.9%，AUC为0.91[95% CI: 0.77-1.00]，同时与真实结果达到几乎完美的一致(κ: 0.82 [95% CI: 0.69-0.95])，表现与医生水平相当。

        图从ABUS检查数据集中提取单一图像的可视化过程

        本研究表明，根据BI-RADS目录，经过训练的人工智能模型可实现对病变分类及诊断的进一步标准化，并可作为ABUS检查的独立二次阅读意见工具。将本研究提出的人工智能模型实施到临床常规中，可提高乳腺病变评估的可靠性，同时减少放射科医生的工作量。

        原文出处：

        Patryk Hejduk,Magda Marcon,Jan Unkelbach,et al.Fully automatic classification of automated breast ultrasound (ABUS) imaging according to BI-RADS using a deep convolutional neural network.DOI:10.1007/s00330-022-08558-0