人工智能分析可作为影像生物标志物预测导管原位癌的浸润性升级
本研究纳入2015年1月至2019年12月经穿刺活检诊断的440例导管原位癌(420例女性),评估AI-CAD提供的乳腺X线异常评分能否预测术后浸润性升级。多因素分析显示,AI-CAD评分(原始数值、≥50%、≥75%)均为浸润性升级的独立预测因子,最高四分位≥75%的评分可作为客观影像生物标志物。
要点
- 经穿刺活检诊断的导管原位癌中,AI-CAD评分≥75%者浸润性升级风险独立增高(OR 2.306)。
- 乳腺X线上同时出现肿块/不对称/结构扭曲与钙化(combined features)提示浸润性升级可能(OR 2.225)。
- 在乳腺X线可检出的导管原位癌亚组中,仅AI-CAD原始数值评分仍为独立预测因子(OR 1.008)。
核心结论
- AI-CAD评分是经穿刺活检诊断的导管原位癌发生浸润性升级的独立预测因子。
- 较高的AI-CAD评分,尤其是最高四分位≥75%,可作为客观影像生物标志物预测浸润性升级。
研究设计与样本
- 回顾性研究,纳入2015年1月至2019年12月经影像引导经皮穿刺活检(空心针活检或真空辅助活检)诊断的440例导管原位癌(420例女性,平均年龄52.8岁)。
- 使用商用AI-CAD算法(Lunit INSIGHT for Mammography,版本1.1.4.3)分析活检前常规四视图数字乳腺X线摄影,获得异常评分(AI-CAD评分,范围0–100%)。
- 以术后病理确认的纯导管原位癌或浸润性癌为参考标准,采用多因素logistic回归分析(校正临床病理变量)识别独立预测因子。
- 对乳腺X线可检出的导管原位癌(n=341)进行亚组分析。
关键影像表现/征象
- 乳腺X线表现分为四类:乳腺X线隐匿(经补充超声检出)、肿块/不对称/结构扭曲、仅钙化、肿块/不对称/结构扭曲合并钙化(combined features)。
- 在440例导管原位癌中,117例(26.6%)术后升级为浸润性癌;乳腺X线可检出者341例(77.5%),其中103例(30.2%)升级。
- 侵犯性升级组中,combined features、BI-RADS 4C和5类评估、较高中位AI-CAD评分以及AI-CAD评分≥50%和≥75%的比例均显著更高(均p<0.001)。
诊断标准与关键数值
- 多因素分析(440例)显示,combined features(OR 2.225,95%CI 1.068–4.633,p=0.033)、BI-RADS 4c(OR 2.473,95%CI 1.135–5.390,p=0.023)、BI-RADS 5(OR 5.190,95%CI 2.175–12.384,p<0.001)、AI-CAD评分原始数值(OR 1.009,95%CI 1.003–1.016,p=0.007)、AI-CAD评分≥50%(OR 1.960,95%CI 1.130–3.399,p=0.017)和AI-CAD评分≥75%(OR 2.306,95%CI 1.233–4.313,p=0.009)均为独立预测因子。
- 在乳腺X线可检出的导管原位癌亚组(n=341)中,combined features(OR 2.194,95%CI 1.057–4.557,p=0.035)和AI-CAD评分原始数值(OR 1.008,95%CI 1.000–1.017,p=0.047)为独立预测因子;BI-RADS最终评估、AI-CAD评分≥50%和≥75%未达独立预测。
- 结合临床病理变量与AI-CAD评分构建的预测模型,总组AUROC为0.699–0.703,乳腺X线可检出亚组AUROC为0.677–0.688。
临床应用与阅片要点
- 作者认为,AI-CAD评分较高的导管原位癌,尤其是最高四分位≥75%者,可考虑存在浸润性成分。
- 作者指出,术前预测导管原位癌升级有助于手术决策,因腋窝淋巴结转移总体发生率约5%,而术前低估病变成分者升至20%,对术前高度怀疑升级者行前哨淋巴结活检可避免二次手术。
- 作者提出,在低风险导管原位癌趋向减少手术甚至主动监测的背景下,准确识别含浸润成分的导管原位癌对选择主动监测患者至关重要。
- 作者认为,原始数值AI-CAD评分在乳腺X线可检出亚组中仍有意义,提示定量AI-CAD评估在识别浸润性升级方面可能比放射科医师提供更实质的预测价值。
局限性
- 本研究为单中心回顾性研究,选择偏倚不可避免。
- 纳入女性均为亚洲人,且大多数(88.4%)乳腺X线腺体密度为C或D级。
- 乳腺X线特征和BI-RADS最终评估由一位经验丰富的乳腺放射科医师确定,不同经验水平的阅片者可能得出不同结果。
- 仅使用一种商用AI-CAD系统,结果不能推广至其他AI平台。
- 作者期待未来研究验证其结果。
全文中译12 节 · 点击展开
引言
导管原位癌(DCIS)是一种乳腺非浸润性肿瘤,同时也表现出不可预测的进展为浸润性癌的风险[1]。随着乳腺癌筛查通过包括乳腺X线摄影在内的常规影像检查得到广泛普及,DCIS的发病率逐渐增加,约占新诊断乳腺癌的四分之一[2]。虽然纯DCIS预后非常好,但约14–43%的病例最终在手术后升级为浸润性癌[3–5],这是由于乳腺癌固有的异质性组织病理学特征[6]。因此,DCIS患者的治疗与浸润性癌患者相同,需接受手术、放射治疗和内分泌治疗[7]。
正在进行的试验正在研究将主动监测作为低级别DCIS当前标准癌症治疗的替代方案,低级别DCIS通常预后良好,且常在乳腺X线摄影上表现为钙化[8–10]。然而,研究表明,被推测为低风险DCIS并接受主动监测的候选者仍面临5–12%的浸润性升级风险[11–14]。目前,尚无能够可靠预测手术后浸润性升级或监测期间浸润性进展的因素。
为了识别适合包括主动监测在内的较低强度治疗的DCIS候选者,既往研究纳入了临床或影像学变量来预测DCIS手术后的浸润性升级[15–18]。在这些研究中,使用的是放射科医师的主观图像判读进行分析,限制了该判读在数据可重复性或一致性方面的价值。也有研究尝试使用基于乳腺X线摄影影像组学特征的机器学习模型来预测DCIS的浸润性升级。然而,在实际临床环境中提取和利用影像组学特征的复杂性,是除临床整合该模型之外的另一个挑战[19]。近年来,基于人工智能(AI)的计算机辅助检测/诊断(CAD)算法已获批用于乳腺X线摄影判读的商业用途[20],这些软件程序可提供乳腺X线摄影图像上所检测异常的定量数值数据。与放射科医师的判读相比,从AI-CAD获得的定量分析数据可能是一致且客观的影像学特征。然而,据我们所知,尚无研究评估利用AI-CAD系统为乳腺X线摄影判读提供的异常评分来预测DCIS升级。
因此,本研究的目的是评估AI-CAD为乳腺X线摄影判读提供的定量异常评分是否可用于预测经皮活检诊断的DCIS的浸润性升级。
方法
延世大学Severance医院机构审查委员会(IRB)(IRB批准号:4-2022-0519)批准了这项回顾性研究,并基于其研究设计豁免了知情同意的要求。
研究人群
我们在本机构数据库中检索了经经皮活检(包括空芯针活检和影像引导下真空辅助活检(VAB))诊断为DCIS的女性。2015年1月至2019年12月,717名女性经影像引导下经皮活检诊断为743例DCIS。排除标准如下:(1)因乳腺癌在同侧乳腺接受手术治疗的女性(n = 58),(2)同侧乳腺诊断为浸润性癌的女性(n = 78),(3)因对侧乳腺浸润性癌接受新辅助化疗的女性(n = 33),(4)DCIS诊断后失访的女性(n = 61),(5)仅拥有外院模拟乳腺X线摄影且不足以进行AI-CAD分析的女性(n = 73)(图1)。
患者的临床特征包括年龄、乳腺癌家族史、乳腺癌个人史、双侧乳腺癌的存在、相关症状(如可触及肿块或乳头溢液)的存在、经皮活检方法以及肿瘤大小,均从我们的电子病历(EMR)系统中提取。
乳腺X线摄影检查与判读
乳腺X线摄影检查使用两台专用数字乳腺X线摄影机之一(Senographe DS,GE Medical Systems;Lorad Selenia,Hologic)。所有患者均获取标准内外斜位(MLO)和头尾位(CC)乳腺X线摄影图像,必要时加拍90°侧位和头尾位投照的放大视图。
一位委员会认证、专攻乳腺影像且具有14年乳腺影像经验的放射科医师(J.H.Y.)回顾性审阅了活检前常规采集的基线乳腺X线摄影图像。与活检证实的DCIS相关的异常乳腺X线摄影特征归类为以下四类:(1)乳腺X线摄影隐匿(DCIS由补充超声(US)检出),(2)肿块/不对称/结构扭曲,(3)仅钙化,以及(4)肿块/不对称/结构扭曲合并钙化(称为“合并特征”)。根据美国放射学会乳腺影像报告和数据系统(ACR BI-RADS)[21]的最终评估也由该放射科医师在回顾性审阅中确定。该放射科医师对最终手术诊断设盲。
使用AI-CAD进行乳腺X线摄影分析
使用一种市售AI-CAD算法(Lunit INSIGHT for Mammography,版本1.1.4.3,Lunit Inc.,首尔,韩国),该算法此前已通过一项多国研究[22]验证,用于分析乳腺X线摄影图像。该算法基于ResNet-34(一种常用的深度卷积神经网络(CNN)架构),使用31,604张癌症阳性乳腺X线摄影图像和19,625张良性乳腺X线摄影图像进行训练,像素级标签指示由12名专攻乳腺的放射科医师标注的病灶位置。该算法在乳腺X线摄影图像上提供异常的兴趣区(ROI)标记,同时按视图提供相应的异常评分(称为AI-CAD评分,范围0–100%)。
在本研究中,我们对AI-CAD评分采用了三管齐下的方法:(1)以原始数值提供的数值AI-CAD评分(范围0至100%);(2)AI-CAD评分二分为< 50%和≥ 50%;以及(3)AI-CAD评分分级为< 25%、25–50%、50–75%和≥ 75%。
经皮活检的组织病理学
从经皮活检的病理报告中收集有关核分级(低级别、中级别或高级别)和粉刺性坏死存在情况的信息。经皮活检标本上的肿瘤使用世界卫生组织标准进行组织学分类[23]。
统计分析
以单纯性导管原位癌(DCIS)或浸润性癌为标准的真实结果在手术后得到确认。采用Shapiro-Wilk检验和Kolmogorov-Smirnov检验对年龄、肿瘤大小和AI-CAD评分进行正态性检验。由于不满足正态性假设,计算并比较了这些因素的中位数。采用Mann-Whitney U检验比较单纯性DCIS与伴浸润性升级的DCIS之间的临床病理变量。乳腺X线摄影的影像学特征、ACR-BI-RADS最终评估以及AI-CAD评分中位数等乳腺X线摄影变量也采用Mann-Whitney U检验和Fisher精确检验在单纯性DCIS与伴浸润性升级的DCIS之间进行比较。
使用临床病理变量和乳腺X线摄影变量进行单因素逻辑回归分析,以评估DCIS浸润性升级的预测因素。随后,在调整临床病理变量后进行多因素逻辑回归分析,以确定独立的预测性乳腺X线摄影变量。单因素逻辑回归分析中p值小于0.05的变量纳入多因素逻辑回归分析。多因素模型的预测能力通过受试者工作特征曲线下面积(AUROC)进行评估。针对乳腺X线摄影检出的DCIS(称为“乳腺X线摄影检出DCIS”)进行了亚组分析。该分析排除了乳腺X线摄影隐性的病例,以模拟除乳腺X线摄影外采用其他影像学方法进行补充筛查不常见的情况。
所有统计分析均使用SAS(版本9.4,SAS公司)完成。p值小于0.05被认为具有统计学意义。
结果
本研究共纳入420名女性中经皮活检诊断的440个DCIS病灶。333个病灶通过超声引导下空心针穿刺活检诊断,107个通过真空辅助活检(VAB)诊断。20名女性双侧乳腺均诊断为DCIS,由于乳腺X线摄影的AI-CAD提供逐侧乳腺分析,这些病灶均纳入我们的分析。在VAB组中,37名患者通过立体定向活检(乳腺X线摄影引导下VAB)诊断,70名通过超声引导下VAB诊断。入组患者中无一在MRI引导下进行活检。在经皮活检诊断为DCIS的440个病灶中,117个(26.6%)病灶在手术后升级为浸润性疾病(图1)。乳腺超声在韩国常被用作乳腺癌筛查的补充影像学工具,我们人群中相当比例(22.5%,440个中的99个)的DCIS是通过补充筛查超声检出的。在乳腺X线摄影检出DCIS的亚组分析中(n=341),103个(30.2%)病灶在手术后升级为浸润性疾病。患者平均年龄为52.8岁(范围28-85岁)。
表1比较了纯DCIS与伴浸润升级的DCIS之间的临床病理因素。在临床病理因素中,伴浸润升级的DCIS在诊断时为单侧DCIS的比例、存在症状、以空芯针穿刺活检作为活检方式、肿瘤体积较大、中或高级别核分级以及存在粉刺样坏死的比例显著更高(分别为p < 0.05)。在钼靶检测到的DCIS亚组中观察到类似结果, except that the presence of bilateral DCIS and comedonecrosis did not show significant differences between pure DCIS and DCIS with invasive upgrade(分别为p = 0.138和0.086)。
表2比较了纯DCIS与伴浸润升级的DCIS之间的钼靶因素。关于钼靶因素,在全部DCIS和钼靶检测到的DCIS中,伴浸润升级的DCIS中合并特征、BI-RADS 4C和5类评估的比例显著更高,AI-CAD评分中位数更高,AI-CAD评分≥ 50%和≥ 75%的比例更高(分别为p < 0.001)。
浸润性癌升级的预测
对于全部440例DCIS,单因素logistic回归分析显示,临床病理变量包括诊断时为单侧DCIS、存在相关症状、以空芯针穿刺活检作为活检方式、肿瘤体积较大、中或高级别核分级以及存在粉刺样坏死是浸润升级的预测因素(分别为p < 0.05)。在钼靶检测到的病变亚组(n = 341)中,存在相关症状、活检方式和核分级与浸润升级显著相关(附加文件1:表S1)。
对于钼靶变量,合并特征、更高的BI-RADS评估以及更高的AI-CAD评分(无论是原始数值还是分级)在全部DCIS和钼靶检测到的DCIS中均与浸润升级显著相关(分别为p < 0.05)(附加文件1:表S1)。
表3总结了全部DCIS组的多因素logistic回归分析结果。在调整临床病理变量后,钼靶变量中的合并特征(比值比(OR):2.225,95%置信区间(CI):1.068–4.633,p = 0.033)、BI-RADS 4c和5类评估(分别为OR:2.473,95% CI:1.135–5.390,p = 0.023和OR:5.190,95% CI:2.175–12.384,p < 0.001)、更高的AI-CAD评分(1.009,95% CI:1.003–1.016,p = 0.007)、AI-CAD评分≥ 50%(OR:1.960,95% CI:1.130–3.399,p = 0.017)以及AI-CAD评分≥ 75%(OR:2.306,95% CI:1.233–4.313,p = 0.009)均为浸润升级的独立预测因素。在钼靶检测到的DCIS中进行多因素logistic回归分析显示,合并特征(OR:2.194,95% CI:1.057–4.557,p = 0.035)和更高的AI-CAD评分(OR:1.008,95% CI:1.000–1.017,p = 0.047)是浸润升级的独立预测因素(表4)。然而,最终BI-RADS评估、AI-CAD评分≥ 50%和AI-CAD评分≥ 75%在钼靶检测到的DCIS中并非浸润升级的独立预测因素。
讨论
在本研究中,我们探讨了与DCIS术后升级为浸润性癌相关的临床病理学和钼靶摄影因素。临床病理学因素如活检方式和活检核分级是浸润性升级的显著预测因素。在钼靶摄影因素中,组合特征、BI-RADS 4c和5类评估以及AI-CAD评分——原始数值、≥ 50%和≥ 75%——是浸润性升级的独立预测因素。在钼靶检测到的DCIS亚组分析中,AI-CAD评分的原始数值仍是浸润性升级的独立预测因素。
我们的结果显示,表现为肿块/不对称/结构扭曲合并钙化的DCIS升级为浸润性癌的可能性显著更高。在多变量逻辑回归分析中,全部440例DCIS和钼靶检测到的DCIS的OR分别为2.225和2.194。DCIS表现为软组织病变合并钙化与浸润性升级之间的关联此前已有报道[3, 24]。在Brennan等人[3]的荟萃分析中,钼靶摄影上表现为肿块伴钙化的DCIS与浸润性升级显著相关,OR为1.83。如既往研究所示[3, 25],放射科医师给出的更高的BI-RADS最终评估所指示的更高乳腺癌怀疑水平也与DCIS浸润性升级率增加相关。当可疑肿块/不对称/结构扭曲伴有可疑钙化时,最终评估等级通常升高。因此,组合特征与DCIS浸润性升级之间的关联与更高BI-RADS评估和DCIS升级之间的关联相一致。
由放射科医师评估钼靶摄影上的异常发现由于主观性和低可重复性而具有固有局限性[26]。不同经验水平的放射科医师在使用BI-RADS描述词和评估进行钼靶判读时观察到显著的分歧[27, 28]。在这方面,AI-CAD提供的图像分析数据不仅可用于辅助图像判读,还可作为客观的影像生物标志物。在这方面,我们评估了一个专为钼靶判读设计的市售AI-CAD系统的分析数据,以观察该信息是否可作为生物标志物来预测经皮活检诊断的DCIS的浸润性升级。我们的结果显示,AI-CAD评分有可能预测DCIS的浸润性升级:较高的AI-CAD评分(OR 1.009)、AI-CAD评分≥ 50%(OR 1.960)和AI-CAD评分≥ 75%(OR 2.306)是全部DCIS中浸润性升级的独立预测因素,而较高的AI-CAD评分是钼靶检测到的DCIS中浸润性升级的独立预测因素(OR 1.008)。基于我们的结果,AI-CAD评分较高的DCIS,尤其是在≥ 75%的最高四分位数中,可被认为含有浸润性成分(图2和图3)。
当将临床病理变量与AI-CAD评分结合构建浸润性升级的预测模型时,我们获得了可接受的诊断性能,总DCIS的AUROC为0.699–0.703(表3),乳腺X线摄影检出DCIS的AUROC为0.677–0.688(表4)。这些结果与既往研究报告的AUROC 0.71(95% CI,0.67–0.75)和0.70(95% CI,0.68–0.73)相当,既往研究通过将CNN应用于活检证实的DCIS患者的乳腺X线摄影图像来开发预测浸润性升级的算法[29, 30]。值得注意的是,我们的研究使用的是为乳腺癌检测设计的市售AI算法,而非专门训练用于预测浸润性升级的AI算法。在此背景下,可比的结果可被视为非常有前景,因为这一成就是表明现有AI技术可用于预测浸润性升级。
术前预测DCIS升级对于手术决策至关重要,因为腋窝淋巴结转移的总体发生率约为5%,但对于术前低估的病变可升至20%[31–33]。这凸显了对术前升级预测强的患者进行前哨淋巴结活检以避免额外补充手术的必要性。此外,鉴于当前对低风险DCIS趋向于创伤更小的治疗包括省略手术[8–10, 34],准确识别伴有浸润成分的DCIS对于选择适合主动监测的患者至关重要。我们的结果表明,除了活检方法或核分级等临床病理预测因素外,由放射科医师评估或AI-CAD评估的影像学特征可作为预测浸润性升级的生物标志物。我们期待未来研究能够验证我们的结果。
有趣的是,在总DCIS中显著预测浸润性升级的影像学预测因素——放射科医师的BI-RADS评估、AI-CAD评分≥ 50%和≥ 75%——在乳腺X线摄影检出DCIS亚组中失去了显著性。在我们的研究中,约78.6%(341例中的268例)乳腺X线摄影检出DCIS表现为钙化,这可能导致了这一结果。代表DCIS的钙化具有广泛的影像学特征,从圆形/无定形、外观良性的钙化到细多形性/细线分支状可疑钙化,其中BI-RADS评估可能在BI-RADS 4亚组中均匀分布。放射科医师在评估具有模糊、重叠影像学特征的异常时遇到困难,AI-CAD似乎也是如此,因为二分类或分级AI-CAD评分无法独立预测乳腺X线摄影检出DCIS的升级。尽管如此,原始数值AI-CAD评分即使在乳腺X线摄影检出DCIS中也显示出显著性,支持我们的主张,即在识别经皮活检诊断的DCIS中的浸润性升级时,定量AI-CAD评估相比放射科医师具有提供更实质预测价值的潜力。
我们的研究存在若干局限性。首先,这是一项在单一机构进行的回顾性研究,因此选择偏倚不可避免。此外,本研究纳入的女性均为亚洲人,且大多数为乳腺X线摄影致密型乳腺(88.4%的乳腺被评估为实质密度C级或D级)。其次,DCIS的乳腺X线摄影特征和BI-RADS最终评估由一位经验丰富的乳腺放射科医师确定。当不同经验水平的阅片者参与乳腺X线摄影判读时,结果可能有所不同。第三,我们仅使用了一种市售的AI-CAD系统,我们的结果不能推广至其他AI平台。
结论
总之,在应用AI-CAD进行乳腺X线摄影时,AI-CAD评分是DCIS浸润性升级的独立预测因素。较高的AI-CAD评分,尤其是在≥ 75%的最高四分位数组中,可作为客观影像学生物标志物,用于预测经经皮活检诊断的DCIS的浸润性升级。
补充信息
补充材料1。
引用
- Yoon J, Yang J, Lee HS, et al. AI analytics can be used as imaging biomarkers for predicting invasive upgrade of ductal carcinoma in situ. Insights Imaging. 2024. PMID: 38578585. doi:10.1186/s13244-024-01673-0
- 全文:PMC10997564(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10997564/
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。