文献速递乳腺US

人工智能用于乳腺癌诊断中的超声微血流成像

Artificial intelligence for ultrasound microflow imaging in breast cancer diagnosis.
PubMed 文献 · Ultraschall Med · 2024-04-09

该回顾性研究纳入471例女性共516个乳腺病灶(364个良性、152个恶性),利用微血流成像(MFI)训练深度卷积神经网络AI算法输出恶性风险(0-100%),并在264个病灶的外部独立数据集验证。三种AI算法的AUROC为0.955-0.966,高于B型超声的0.842(P<0.0001);B型超声联合AI算法AUROC为0.963-0.972,并将BI-RADS 4A类病灶的假阳性率从87%降至13%(P<0.0001)。

要点

  • AI微血流成像诊断乳腺癌的AUROC为0.955-0.966,高于B型超声的0.842(P<0.0001)。
  • 外部验证集AI算法AUROC为0.892-0.920,与测试集相似。
  • B型超声联合AI算法使BI-RADS 4A类病灶假阳性率从87%降至13%(P<0.0001)。

核心结论

  • 基于AI的微血流成像诊断乳腺癌的性能优于B型超声,可消除BI-RADS 4A类病灶中74%的假阳性诊断。

研究设计与样本

  • 回顾性收集471例女性共516个乳腺病灶(364个良性、152个恶性),内部数据集分为训练集410个和测试集106个,用于开发基于微血流成像的深度卷积神经网络AI算法;另用264个病灶(229个良性、35个恶性)的外部独立数据集验证。

诊断标准与关键数值

  • AI算法输出恶性风险(0-100%);三种AI算法在测试集AUROC为0.955-0.966,B型超声为0.842(P<0.0001);外部验证集AI算法AUROC为0.892-0.920;B型超声联合AI算法AUROC为0.963-0.972,高于单用B型超声(P<0.0001);联合方案使BI-RADS 4A类病灶假阳性率从87%降至13%(P<0.0001)。

临床应用与阅片要点

  • 原文未据此给出推荐。

局限性

  • 原文未报告局限性。

以上解读依据论文摘要(全文未开放获取或许可不允许翻译转载)。

英文原文(摘要)· 点击展开

PURPOSE: To develop and evaluate artificial intelligence (AI) algorithms for ultrasound (US) microflow imaging (MFI) in breast cancer diagnosis.

MATERIALS AND METHODS: We retrospectively collected a dataset consisting of 516 breast lesions (364 benign and 152 malignant) in 471 women who underwent B-mode US and MFI. The internal dataset was split into training (n = 410) and test datasets (n = 106) for developing AI algorithms from deep convolutional neural networks from MFI. AI algorithms were trained to provide malignancy risk (0-100%). The developed AI algorithms were further validated with an independent external dataset of 264 lesions (229 benign and 35 malignant). The diagnostic performance of B-mode US, AI algorithms, or their combinations was evaluated by calculating the area under the receiver operating characteristic curve (AUROC).

RESULTS: The AUROC of the developed three AI algorithms (0.955-0.966) was higher than that of B-mode US (0.842, P < 0.0001). The AUROC of the AI algorithms on the external validation dataset (0.892-0.920) was similar to that of the test dataset. Among the AI algorithms, no significant difference was found in all performance metrics combined with or without B-mode US. Combined B-mode US and AI algorithms had a higher AUROC (0.963-0.972) than that of B-mode US (P < 0.0001). Combining B-mode US and AI algorithms significantly decreased the false-positive rate of BI-RADS category 4A lesions from 87% to 13% (P < 0.0001).

CONCLUSION: AI-based MFI diagnosed breast cancers with better performance than B-mode US, eliminating 74% of false-positive diagnoses in BI-RADS category 4A lesions.

UNLABELLED: ZIEL: Entwicklung und Bewertung von Algorithmen der künstlichen Intelligenz (KI) für das Ultraschall-Microflow-Imaging (MFI) in der Brustkrebsdiagnose.

MATERIAL UND METHODEN: Wir sammelten retrospektiv einen Datensatz, der aus 516 Brustläsionen (364 benigne und 152 maligne) von 471 Frauen bestand, die sich dem B-Mode-US und dem MFI unterzogen. Der interne Datensatz wurde in einen Trainings- (n=410) und einen Testdatensatz (n=106) aufgeteilt, um KI-Algorithmen auf der Grundlage tiefer Convolutional-Neural-Networks aus MFI zu entwickeln. Die KI-Algorithmen wurden trainiert, um das Malignitätsrisiko (0–100%) zu ermitteln. Die entwickelten KI-Algorithmen wurden mit einem unabhängigen externen Datensatz von 264 Läsionen (229 benignen und 35 malignen) weiter validiert. Die diagnostische Leistung von B-Mode-US, KI-Algorithmen oder deren Kombinationen wurde durch Berechnung der Fläche unter der Receiver-Operating-Characteristic-Curve (AUROC) bewertet.

ERGEBNISSE: Die AUROC der 3 entwickelten KI-Algorithmen (0,955–0,966) war höher als die des B-Mode-US (0,842; p<0,0001). Die AUROC der KI-Algorithmen im externen Validierungsdatensatz (0,892–0,920) war ähnlich wie die des Testdatensatzes. Unter den KI-Algorithmen wurde kein signifikanter Unterschied in allen Leistungsmetriken in Kombination mit oder ohne B-Mode-US gefunden. Die Kombination aus B-Mode-US und KI-Algorithmen wies einen höheren AUROC-Wert (0,963–0,972) auf als der B-Mode-US (p<0,0001). Durch die Kombination von B-Mode-US und KI-Algorithmen konnte die falsch-positive Rate von Läsionen der BI-RADS-Kategorie 4A signifikant von 87% auf 13% gesenkt werden (p<0,0001).

SCHLUSSFOLGERUNG: Das KI-basierte MFI diagnostizierte Brustkrebs mit besserer Leistung als der B-Mode-US und eliminierte 74% der falsch-positiven Diagnosen bei Läsionen der BI-RADS-Kategorie 4A.

来源:Ultraschall Med,查看原文。版权归原作者所有。

引用

  1. Eun NL, Lee E, Park AY, et al. Artificial intelligence for ultrasound microflow imaging in breast cancer diagnosis. Ultraschall Med. 2024. PMID: 38593859. doi:10.1055/a-2230-2455

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。