基于深度卷积神经网络的ACR BI-RADS乳腺密度自动分类在合成2D断层图像上的诊断准确性
本研究开发并验证了两种深度卷积神经网络(MLO和CC),用于在合成2D断层摄影重建图像上自动进行ACR BI-RADS乳腺密度分类。在460例测试集图像中,模型区分ACR A/B与C/D的敏感度为80.4%、特异度为89.3%、准确率为89.6%,与人类读者间一致性相当(kappa 0.61 vs 0.63)。结论认为DCNN可实现准确、标准化且观察者独立的乳腺密度分类。
要点
- 模型区分ACR A/B与C/D的敏感度80.4%、特异度89.3%,可作为阅片辅助工具。
- 模型与放射科医生共识的kappa为0.61,与读者间一致性(0.63)相当。
- 外部验证敏感度68.7%、特异度89.6%、准确率84.3%,泛化性能有所下降。
核心结论
- DCNN可基于ACR BI-RADS系统对合成2D断层图像进行准确、标准化且观察者独立的乳腺密度分类。
- 模型性能与人类专家相当,有望改善乳腺密度评估的准确性和可重复性。
研究设计与样本
- 单中心回顾性研究,共纳入1665例女性患者的4605幅合成2D图像,训练集70%、验证集20%、测试集10%。
- 测试集含380例患者的460幅图像,由两位放射科医生(分别有2年和11年乳腺影像经验)盲法阅片,共识作为参考标准。
- 使用宽角DBT系统(Selenia Dimensions,Hologic)及C-View软件生成合成2D图像,两个DCNN分别处理MLO和CC投影。
- 外部验证使用苏黎世大学医院67幅乳腺图像,由两位委员会认证放射科医生(7年和12年经验)共识阅片。
诊断标准与关键数值
- 区分ACR A/B与C/D:敏感度80.4%(95%CI 72.2-86.9),特异度89.3%(95%CI 85.4-92.3),准确率89.6%(95%CI 88.1-90.9),PPV 73.3%(95%CI 64.9-80.4),NPV 92.6%(95%CI 89.1-95.1)。
- 四分类整体性能:敏感度79.1%(95%CI 75.1-82.8),特异度93.0%(95%CI 91.6-94.3),PPV 79.1%(95%CI 75.7-82.2),NPV 93.0%(95%CI 91.8-94.1),准确率89.6%(95%CI 88.1-90.9)。
- ACR B类分类敏感度最高(86.8%),ACR A和D类特异度最高(分别为99.5%和99.1%)。
- 模型与共识的一致性kappa为0.61(p<0.001),读者间一致性kappa为0.63(p≤0.001),读者1自身一致性kappa为0.82(p≤0.001)。
- 外部验证:敏感度68.7%(95%CI 56.2-79.4),特异度89.6%(95%CI 84.5-93.4),准确率84.3%(95%CI 79.4-88.5)。
临床应用与阅片要点
- 模型可集成至临床工作流(如b-box平台)辅助乳腺密度评估,减少观察者间变异。
- 当MLO和CC预测不一致时,按ACR BI-RADS规则取较高密度类别作为整体密度。
- 模型基于合成2D图像训练,不适用于原始断层切片或FFDM图像的密度评估。
局限性
- 单中心研究,仅使用单一厂商DBT设备,外部验证数据集较小(67幅)。
- 排除了乳腺植入物和DIEP重建术后病例,可能限制模型在术后场景的应用。
- 参考标准主要基于两位放射科医生的共识,未与其他预训练模型进行比较。
全文中译16 节 · 点击展开
引言
乳腺癌是女性中最常被诊断的癌症,在正常人群中的发病率为12.3% [1]。乳腺密度定义为纤维腺体组织相对于脂肪组织的量,与乳腺癌风险增加相关 [2, 3]。癌症检出率与密度呈负相关,因为表现为肿块的癌,尤其是无微钙化者,可能被掩盖 [4]。
数字乳腺断层合成(DBT)作为一种准三维模态,越来越多地用于确定乳腺密度和癌症检测,因为它减少了乳腺组织的重叠 [5],检测乳腺癌具有高诊断准确性,AUC、敏感性和特异性分别为0.95、0.90和0.90 [6]。为改进乳腺密度报告,ACR BI-RADS图谱第5版将乳腺密度分为A-D:A(“几乎完全脂肪型”)、B(“散在纤维腺体密度区域”)、C(“不均匀致密型乳腺,可能掩盖小肿块”)和D(“极度致密型乳腺,降低乳腺X线摄影的敏感性”)。最近发表的欧洲乳腺影像学会(EUSOBI)建议在常规乳腺X线筛查中对50-70岁极度致密型乳腺女性补充使用对比增强乳腺MRI筛查,以降低乳腺癌死亡率,并倡导告知女性其乳腺密度 [7]。
然而,乳腺密度报告仍易受读者间和读者内变异性的影响,文献中报道的kappa值范围广泛 [8]。为解决对可重复性和更简单临床实施的需求,深度学习可以减少读者间变异性 [9],并改进标准化报告 [10]。
研究目的和假设
本研究旨在开发一种深度卷积神经网络(DCNN),用于根据美国放射学会乳腺影像报告和数据系统(ACR BI-RADS)图谱对数字乳腺断层合成合成二维重建图像中的乳腺密度进行自动分类。
方法
当地伦理委员会批准了这项回顾性研究(项目ID:2021–01472)。
研究人群
回顾性选择2018年2月至2020年2月期间使用合成二维断层合成接受诊断检查或机会性筛查检查的所有女性患者。作为区域筛查计划一部分产生的2D FFDM(全视野数字乳腺X线摄影)乳腺X线图像、2D放大图像以及用于立体定向活检的2D图像被排除在外。有乳腺植入物、DIEP重建、立体定向活检期间拍摄的断层合成图像和ML视图的患者被排除,未同意者以及影像数据无效者也被排除。
断层合成采集参数
所有DBT检查均使用广角DBT系统(Selenia® Dimensions® Mammography System,Hologic®)进行,合成二维图像通过使用供应商的重建软件(C-View™软件)生成。合成2D图像通常替代FFDM用于断层合成采集期间的密度评估,以减少辐射剂量。
数据准备
唯一使用的模型输入是合成二维图像。由于我们不打算进行体积测定,因此未使用单层断层合成切片。所有图像均从其初始尺寸3072×2816像素调整为224×224像素,右侧头尾位(RCC)和右侧内外侧斜位(RMLO)的图像已水平翻转,使乳腺位于与相应图像相同的一侧。使用TensorFlow(Google LLC)ImageDataGenerator类对训练数据集进行数据增强,通过随机垂直平移、缩放和旋转图像以提高网络的泛化能力(height_shift_range = 0.1;zoom_range = 0.1;rotation_range = 10)。采用类别加权方法使训练阶段乳腺密度分布均衡。所有符合条件的乳腺钼靶摄影被随机分为三个数据集:训练集(70%)、验证集(20%)和测试集(10%)。
参考标准
一位在乳腺钼靶成像方面拥有2年经验的委员会认证放射科医师(=阅片者1)在诊断显示器(EIZO RX350,分辨率:1536×2048,EIZO)上根据BI-RADS密度描述A-D对所有符合条件的乳腺钼靶摄影进行分类。
为评估阅片者间和阅片者内变异性,测试数据集中的所有病例由阅片者1间隔一个月进行两次评级(阅片者1A和阅片者1B),以及由一位在乳腺钼靶成像方面拥有11年经验的放射科医师(阅片者2)进行评级。两位阅片者对ACR密度(AI和既往检查)均设盲。分歧通过阅片者1和阅片者2之间的共识讨论解决。共识用于评估模型性能。此外,密度分类从初始放射学报告中导出。对于外部验证,我们使用了苏黎世大学医院的数据集,该数据集包含由两位委员会认证放射科医师(分别拥有7年和12年经验)对67例乳腺钼靶摄影的共识阅片结果。
模型
使用两个深度卷积神经网络(DCNN)模型分别对MLO和CC视图进行分类。每个模型包含11个卷积层、3个全连接层、5个下采样最大池化层和2个使用修正线性单元(ReLU)激活函数的密集层。使用50%的dropout以减少过拟合。使用softmax激活函数从模型中获得最终权重。模型使用Adam优化器和分类交叉熵损失函数进行训练。每批16张图像输入网络。训练超参数基于训练过程中验证准确率的最大化进行微调,其中epoch数由训练准确率超过验证准确率5%来确定:模型训练了200个epoch,学习率为1.0×10–5。模型使用TensorFlow 2.0平台在运行Ubuntu 16.04操作系统的Nvidia 1080 GTX GPU上进行训练。在内外侧斜位(MLO)和头尾位(CC)预测不同的情况下,根据ACR-BIRADS分类标准,将较高密度预测指定为总体密度。
统计分析
采用Cohen kappa(κ)系数评估两位读者之间及读者自身前后两次对ACR密度分类判定的一致性,以及其与模型和参考标准/共识之间的一致性。按照惯例,< 0.0、0.00–0.20、0.21–0.40、0.41–0.60、0.61–0.80和0.81–1.00的取值分别表示一致性差、轻微、一般、中等、显著和几乎完全一致[11]。采用敏感度、特异度、阴性预测值(NPV)和阳性预测值(PPV)评估DCNN相较于参考标准/共识的诊断性能。将测试数据集包含四个密度类别(即A、B、C和D)的多分类问题转化为四个二分类问题(即A vs 全部;B vs 全部;C vs 全部;D vs 全部)。对于每个二分类,独立计算b-density软件的诊断准确性指标。所有检验均为双侧检验,p值< 0.05认为有统计学意义。所有统计分析均使用R 4.0.5(R Core Team,R Foundation for Statistical Computing)完成,除非另有说明,否则均针对测试数据集。
乳腺密度评估
基于乳腺X线摄影表现的乳腺密度,使用市售的“b-box”人工智能平台(医疗器械IIa类,CE 0297;b-rayZ AG,版本1.1.0,b-rayZ AG)从合成2D图像CC和MLO投照中自动评估,该平台中实施了先前训练的模型。总体密度分类基于A至D四个类别中某一类别的最高概率。
结果
研究人群
本研究共纳入1665例女性患者,共计4605幅乳腺X线摄影图像(见图1)。其中,380例用于测试数据集(460幅图像,平均年龄:58.9岁,范围:26–90岁)。测试数据集中ACR密度的分布为ACR A:10.9%(n = 50),B:62.4%(n = 287),C:23.0%(n = 106),D:3.7%(n = 17)。
训练集、验证集和测试集之间在年龄(p > 0.50)和密度分布(p > 0.99)方面无显著差异。
读者间一致性
对于MLO和CC投照合并分析,读者1的读者自身一致性为“几乎完全一致”[14],kappa评分为0.82(p ≤ 0.001)。两位读者之间为显著一致(Cohen kappa 0.63,p ≤ 0.001),460例中有370例BI-RADS分类相同。90例(19.6%)通过讨论形成共识。
模型性能
与两位放射科医师的共识决定相比,基于测试数据集,深度卷积神经网络(DCNN)的总体敏感度为79.1%(95%置信区间(CI):75.1–82.8),特异度为93.0%(95%-CI:91.6–94.3),阳性预测值(PPV)为79.1%(95%-CI:75.7–82.2),阴性预测值(NPV)为93.0%(95%-CI:91.8–94.1),准确率为89.6%(95%-CI:88.1–90.9)。这相当于在初始放射学报告(准确率84.2%,95%-CI:82.5–85.9%,敏感度68.9%,95%-CI:64.4–73.0,特异度89.5%,95%-CI:89.4–87.7)的基础上提高了准确率。训练/验证准确率见图2,而图3和图4分别总结了CC和MLO的诊断准确率。ACR密度B的分类显示出最高的敏感度(86.8%),而ACR密度A和D的分类显示出最高的特异度(99.5%和99.1%)。如果仅考虑密度类别A/B和C/D,则敏感度为80.4%(95%-CI:72.2–86.9),特异度为89.3%(95%-CI:85.4–92.3),PPV为73.3%(95%-CI:64.9–80.4),NPV为92.6%(95%-CI:89.1–95.1)。对于两个投照体位,两位读者与DCNN之间的诊断准确率均未发现显著差异。密度分类的诊断准确率指标总结于表1。我们发现共识与DCNN之间存在高度一致性(kappa 0.61,p < 0.001)。
在外部验证中,模型的敏感度、特异度和准确率分别为68.7%(95%-CI:56.2–79.4)、89.6%(95%-CI:84.5–93.4)和84.3%(95%-CI:79.4–88.5)。总之,图5以ACR B致密乳腺为例展示了模型开发、当前处理和用户界面的简化方案。
讨论
在本研究中,我们提出了一种基于深度卷积神经网络的机器学习算法,用于根据ACR BI-RADS分类标准自动确定数字乳腺断层合成中合成2D重建图像的乳腺密度。DCNN使用3224张合成2D图像进行训练。对于所实施的DCNN,确定了最佳epoch数为200,达到89.6%的准确率。
虽然基于BI-RADS的报告已常规用于乳腺影像学检查,但深度卷积网络在多种人工智能驱动的标准化方面具有前景[12]。正如我们之前所展示的,深度卷积网络能够进行FFDM的BI-RADS乳腺密度预测[13],并且在FFDM的放射学评估中存在高度一致性[14],本研究证明了我们的网络适用于合成2D断层合成重建图像的密度评估。在此,我们发现四位阅片者在四分类ACR BI-RADS分类之间具有显著的一致性,而众所周知这些分类依赖于观察者,kappa值范围在0.43至0.89之间[15–17]。
由于自动化预测的可行性已在较小的人群规模上得到验证[16, 18, 19],此前已有多个模型被开发,或仅基于FFDM[20–23],或基于FFDM与DBT图像的混合[17, 22]。
然而,在参考标准方面存在较大的异质性:Le Boulc'h M等人仅使用CC图像进行密度分类[19],Pahwa S等人对每侧乳腺分别进行分类,两者均不符合临床常规[23]。一些作者使用了旧的BI-RADS密度分类1–4、体积分类[20]、0至100%的视觉模拟量表(VAS)[21],或“致密与非致密”的二分类[22]。部分研究由非放射科医师进行部分判读[21],或使用FFDM作为训练输入[24]。与传统的自动化体积乳腺密度评估相比——后者因微小致密区域而容易出现假阳性——这些模型以经验丰富的放射科医师的视觉印象进行训练,而视觉印象是使用最广泛、因此最适合乳腺密度的最佳参考标准。我们使用了现行BI-RADS版本中的所有密度类别,并提出了对密度类别的全面区分,不仅考虑了准确率[24, 25],还考虑了灵敏度、特异度、PPV、NPV、TP和FP,并通过使用STARD 2015诊断准确性研究指南进行标准化报告来提高可比性[26]。
与我们的结果一致,Mohamed等人最近也表明,DCNN算法能够以94%的准确率区分B类和C类,并与当地机构的放射学报告进行了比较[27]。这在断层合成中同样成立。诊断准确性、一致性和可靠性类似于Magni等人最近的一项研究,该研究人群较小(577名患者,1144张图像),但由7名委员会认证的放射科医师提供了高质量的参考标准[28]。
有趣的是,Gastounioti等人表明,与数字乳腺X线摄影相比,DBT在乳腺癌风险与密度之间显示出更强的关联[29]。然而,该研究人群相对较小(n = 132)。
该网络的自适应性——如本文所示用于2D合成断层合成重建图像——也可能对不同的分类任务和其他模态(如超声MRI、对比增强乳腺X线摄影或CT)具有意义[30–34],这些模态由于近年来采集技术的进步而变得越来越重要[35, 36]。
密度测量用于估计乳腺癌风险并为患者提供信息。它有助于优化个体化的癌症检测方案,并可指导补充或替代筛查选项(如超声或磁共振成像(MRI))的建议。该模型架构即使在硬件性能有限的情况下也能实现快速预测,其设计旨在满足临床需求。
研究局限性
这是一项单中心研究,数字乳腺断层摄影(DBT)设备来自单一厂商,且外部验证数据集相对较小。由于这是首批使用卷积神经网络基于断层合成图像生成的合成二维图像对BI-RADS密度进行分类的研究之一,遗憾的是未能与其他预训练模型进行比较。排除采用DIEP重建或乳房植入物的术后检查可能限制这些模型在术后环境中的应用。最后,断层合成的参考标准主要基于仅两名经验丰富的放射科医生,然而他们拥有乳腺影像亚专科资质,总计13年经验。
结论
总之,在n = 3224例DBT上训练的深度卷积神经网络(DCNN)能够按照ACR BI-RADS分类标准对乳腺密度进行准确、标准化且不依赖观察者的分类。通过“b-box”人工智能平台将DCNN应用于临床工作流程,可能有助于提高临床常规中乳腺X线摄影密度评估的诊断准确性和可靠性。
引用
- Sexauer, Hejduk, Borkowski, et al. Diagnostic accuracy of automated ACR BI-RADS breast density classification using deep convolutional neural networks. Eur Radiol. 2023. PMID: 36856841. doi:10.1007/s00330-023-09474-7
- 全文:PMC10289992(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10289992/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。