文献速递乳腺MR

可解释人工智能异常检测用于乳腺MRI筛查中的癌症检测

Cancer Detection in Breast MRI Screening via Explainable AI Anomaly Detection.
PubMed 文献 · Radiology · 2025-01-01

该回顾性研究开发了可解释的全卷积数据描述(FCDD)异常检测模型,在9567例乳腺对比增强MRI上训练,并在内部独立测试集和外部多中心数据集验证。FCDD在高和低癌症患病率场景下均优于传统二分类模型,且其解释热图与放射科医生标注的空间一致性更高。

要点

  • FCDD在均衡检测任务交叉验证中平均AUC为0.84,优于BCE的0.81(P < .001)。
  • 在低患病率(1.85%恶性)不均衡检测中,固定97%敏感度时FCDD平均特异度为13%,BCE为9%(P = .02)。
  • FCDD解释热图与参考标注的像素级AUC为0.92,高于BCE的0.81(P < .001)。

核心结论

  • 开发的FCDD可解释AI模型能准确描绘肿瘤位置,在高和低癌症患病率场景下均优于常用模型。

研究设计与样本

  • 回顾性研究,纳入单机构2005年至2022年9738例乳腺MRI检查,其中9567例连续检查用于开发FCDD模型。
  • 内部独立测试集171例检查,外部测试使用公开多中心数据集221例检查。
  • 参考标准为活检证实的恶性肿瘤(MRI前12个月内无手术或MRI后12个月内诊断)或良性(MRI后12个月内无癌症诊断)。
  • 模型输入为对比增强MRI减影图像的二维最大强度投影(MIP),分为单侧乳腺MIP。

关键影像表现/征象

  • FCDD生成的异常热图在空间上更精确地匹配恶性肿瘤区域,假阳性常高估异常区域,假阴性包括被背景实质强化遮挡或MIP上不易见的癌症。
  • 像素级AUC在肿块中高于非肿块强化,在浸润性癌中高于原位癌。
  • FCDD对T1和T2期病变的输出与参考标注高度匹配,空间精度优于BCE。

诊断标准与关键数值

  • 均衡检测任务(任务1)交叉验证:FCDD平均AUC为0.84 ± 0.01,BCE为0.81 ± 0.01(P < .001);FCDD平均AUPR为0.69 ± 0.01,BCE为0.63 ± 0.01(P < .001)。
  • 不均衡检测任务(任务2)交叉验证:FCDD平均AUC为0.72 ± 0.03,BCE为0.69 ± 0.03(P < .001);FCDD平均AUPR为0.11 ± 0.03,BCE为0.09 ± 0.03(P = .007)。
  • 在约登指数下任务2的PPV:FCDD为14% ± 4,BCE为7% ± 3(P = .005)。
  • 内部独立测试集任务1:FCDD平均AUC为0.81 ± 0.02(95% CI: 0.81, 0.82),BCE为0.72 ± 0.02(P < .001);任务2:FCDD平均AUC为0.78 ± 0.05(95% CI: 0.77, 0.79),BCE为0.76 ± 0.01(P = .02)。
  • 外部数据集均衡检测:FCDD平均AUC为0.86 ± 0.01(95% CI: 0.85, 0.86),BCE为0.79 ± 0.01(P < .001);在97%敏感度下FCDD特异度为12% ± 3(26/221),BCE为10% ± 5(22/221)(P = .009)。

临床应用与阅片要点

  • 模型可用于快速排除正常扫描以进行分诊,提高阅读效率。
  • 异常热图可突出潜在关注区域,为模型预测提供「合理性检查」,帮助放射科医生更快聚焦于最可能包含恶性病理的区域。
  • 将可解释AI模型整合到放射科工作流程时需谨慎,以避免对热图的偏见或过度依赖。
  • 非肿块强化、原位癌和T3期浸润性癌的像素级AUC较低,可能因这些病变与背景实质强化难以区分或训练集中大病变多样性有限。

局限性

  • 检测性能因模型仅使用二维减影MIP而降低。
  • 模型性能在MRI上仅可见细微异常或良性类高度变异难以学习时可能降低。
  • 任务1和任务2数据集缺乏病变级标注和信息(如肿瘤组织学特征、分级、分子亚型和良恶性 designation),且仅解释测试集为回顾性标注。
  • 未来需在更大规模带病变标注的数据集和前瞻性研究中评估FCDD模型。
全文中译13 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Radiology. Author manuscript; Available in PMC 2026 May 29.

MRI在检测乳腺癌方面已表现出高灵敏度,尤其是在乳腺癌风险升高的女性中(1)。然而,研究发现MRI筛查会产生相当数量的假阳性(1,2)。该领域的最新进展使人们对人工智能(AI)在乳腺MRI中的应用兴趣增加,重点在于减少放射科医生工作量和假阳性(3)。尽管如此,AI在乳腺MRI中的临床应用仍然有限,仅有一种获美国食品药品监督管理局批准的病变诊断算法(4)。

虽然已提出使用MRI进行癌症检测(3)和分诊(5)的深度学习模型,但它们存在若干局限性。在高癌症风险患者的筛查中,仅在一小部分(<5%)患者中会发现癌症(1,3)。此外,恶性病变表现出显著异质性(例如,在病变类型、大小和组织学特征方面),并且在数据集中往往代表性不足。这些因素限制了常用二分类算法使用时的性能(6)。大多数既往乳腺MRI AI模型是使用癌症与非癌症检查的平衡数据集进行评估的(3),导致对预测能力的过高估计,并可能限制临床实用性。此外,虽然分类模型可能在检查层面达到良好的检测性能,但它们往往在突出图像内恶性区域方面的能力有限(7,8)。这种缺乏可解释性限制了模型效用,因为医生无法确认用于预测的区域。尽管包括基于梯度的映射(10)、Shapley加性解释(5)和图像块级分类(11)在内的各种次级AI可解释性方法(9)已被用于生成不需要空间标注的显著性图(MRI扫描上恶性区域的热图),但这些图在医学成像中缺乏准确性和对噪声的稳健性(9,12)。模型设定错误、显著性图分辨率有限和类别不平衡已被证明会导致这些问题(12,13)。

本研究旨在通过使用大型、不平衡的乳腺MRI数据集,开发一种用于筛查性乳腺MRI扫描癌症检测的可解释AI异常检测模型,以同时应对类别不平衡和可解释性挑战。异常检测模型已表现出优于传统二分类模型的性能,因为异常检测模型关注多数类,并能有效识别异常样本,即使在训练数据中代表性不足时也是如此(14,15)。我们假设,一种以乳腺动态对比增强MRI扫描为输入、基于单类分类(16)的异常检测模型的方法,将优于传统模型进行癌症检测,并提供准确的解释热图,而无需病变标注或次级可解释性技术。

材料与方法

这项回顾性研究符合《健康保险携带和责任法案》,并经弗雷德·哈钦森癌症中心机构审查委员会批准(批准号7339),使用了三个独立的患者数据集(内部和外部)。主要模型开发数据集纳入了2005年7月至2015年11月在华盛顿大学医学院进行的所有连续乳腺MRI检查(排除前>10 000次)。由于研究的大规模回顾性性质,知情同意要求被豁免。数据集和整理细节已发表于先前研究(17)。一个单独的内部富集测试数据集包括171名女性,她们于2018年至2022年间在同一机构接受MRI用于术前评估或筛查(31例在MRI后活检确诊的癌症);这些女性被纳入一项前瞻性研究(ClinicalTrials.gov:NCT03607552)。外部验证使用一个公开可用的多中心乳腺MRI数据集进行,该数据集包括浸润性乳腺癌女性的双侧乳腺MRI检查和病灶分割(https://www.cancerimagingarchive.net/)(18)。从此外部数据集中,我们纳入了221名女性的治疗前动态对比增强MRI检查,这些检查与我们的半自动预处理流程兼容,排除了需要技术调整、重格式化或专家审查的扫描。

对于内部数据集,影像学特征(包括背景实质强化[ BPE ],即MRI上正常乳腺组织的对比强化程度,分为极少量、少量、中等量或大量)和结局均从临床和病理报告以及区域监测、流行病学和最终结果(或SEER)肿瘤登记处的关联数据中确定(表1)。结局在乳腺水平分类为恶性(MRI前[未手术]或MRI后12个月内活检确诊癌症)或良性(MRI后12个月内无癌症诊断)。年龄和种族数据从电子健康记录中收集。对于外部数据集,患者人口统计学数据来源于提供的元数据,使用相同的结局定义(表S7)。

MRI采集和后处理

MRI采集细节总结于附录S1。所有双侧乳腺MRI检查均符合美国放射学会标准(19),并使用专用乳腺线圈在1.5或3-T MRI扫描仪上进行。每次MRI检查包括三维轴位动态对比增强MRI序列,从减影图像(第一幅对比后图像减去对比前图像)缩减为二维最大强度投影(MIP)。每幅MIP通过先前描述的预处理(17)和附录S3中所述方法分成两幅单侧乳腺MIP图像。

模型开发

定义了两项癌症检测任务,涉及在两个不同人群中将对侧MIP分类为恶性或良性。任务1(平衡检测)的人群包括所有乳腺MIP,无论既往是否有癌症诊断,而任务2(不平衡检测)的人群仅包括检查时无已知癌症诊断的MIP,近似于MRI筛查中乳腺癌的患病率(1)。在模型开发数据集中使用分组交叉验证评估两项检测任务。此外,使用内部富集乳腺MRI测试集(任务1和任务2)和外部数据集(任务1)进行了独立评估。

为评估模型解释热图,考虑了由55名恶性肿瘤女性组成的解释测试集(表2)。该保留集来自模型开发数据集,包括在MRI检测到乳腺影像报告和数据系统(BI-RADS)4类和5类乳腺癌的女性的随机分层样本(85%[55例中47例]),并补充了已知BI-RADS 6类癌症女性的随机样本(15%[55例中8例])。病变特征——MRI病变类型(肿块 vs 非肿块强化[NME])和癌症T分期——从临床报告中获取。一名乳腺放射科研究员(E.B.,具有1年乳腺影像经验)在不知晓AI预测结果的情况下,回顾性审阅了病理和影像报告,并直接在乳腺MIP上标注了恶性区域。标注范围内的像素标记为异常;所有其他像素标记为正常。使用带有肿瘤分割的完整外部数据集进行了额外的可解释性验证。

算法

该模型使用半监督异常检测损失函数和全卷积神经网络生成像素级和乳腺级异常评分(图1A)(16)。与传统二分类不同,异常检测模型学习正常(即良性)特征空间的稳健表示,以更好地识别异常(即恶性)图像(图1B)。使用了全卷积数据描述(FCDD)模型(16),该模型估计异常评分并生成空间分辨热图(异常热图)作为模型解释,无需二次可解释性技术或空间病变标注。每个热图由像素级异常评分组成,取平均值得到最终的乳腺级异常评分。考虑到双侧对称性,我们探索了一种变体模型(FCDD-Symmetric),使用对侧乳腺作为正常类中心。比较模型为二元交叉熵(BCE)(传统二分类器)和超球分类(HSC)(14)(一种不可解释的异常检测器)。为比较这些模型与FCDD的可解释性,使用梯度加权类激活映射(Grad-CAM)(20)为BCE和HSC生成了显著性图。其他细节见附录S2和S3。该模型的代码见以下GitHub仓库:https://github.com/microsoft/breastMRI-fcdd。

统计分析与评估

采用按患者分组的五折交叉验证评估癌症检测,每一折使用五个随机种子进行训练。任务2的测试折排除了已知癌症的MRI扫描;然而,观察到用已知癌症的MRI扫描补充训练折可提高性能(表S1)。在三个操作点评估检测性能:一个最大化约登指数,两个最大化灵敏度(分别为95%和97%)。受试者工作特征曲线下面积(AUC)、特异度、灵敏度、阳性预测值(PPV)和精确率-召回率曲线下面积(AUPR)由一位作者(F.O.)使用Python(Python软件基金会)的scikit-learn(版本0.24.2)模块计算。AUPR估计PPV与灵敏度之间的平衡,适用于不平衡分类;随机预测产生的AUPR等于少数类比例(例如癌症患病率)。任务1和任务2的检测性能在独立内部测试集中未经再训练进行独立验证。

使用解释测试集中的参考标准空间标注评估模型可解释性。通过测量每张乳腺图像的逐像素AUC(16)将解释图与放射科医师的标注进行比较;AUC越高表明与放射科医师标注的空间一致性越高。使用外部多中心数据集评估未经再训练的模型检测和解释的泛化能力。

使用Wilcoxon符号秩检验(21)进行比较。统计分析由一位作者(F.O.)使用Python的statsmodels(版本0.13.2)模块进行,显著性阈值设为P < .05。

结果

在模型开发数据集的数据收集期间,对5248例患者连续进行的10185次乳腺MRI检查中,成功获得了5026例患者(平均年龄51.5岁 ± 11.1 [标准差])的9567次检查的减影MIP和结局。检查因临床(例如乳房切除术后检查或结局不确定)或技术(例如伪影或文件缺失或损坏)问题被排除(图2)。患者主要为白人(5026例中4012例 [79.8%]),乳腺为不均匀致密型或极度致密型(分别为17029侧单侧乳腺MIP中的7298侧 [42.9%]和1977侧 [11.6%]),BPE为轻微或轻度(分别为17029侧单侧乳腺MIP中的6814侧 [40.0%]和4181侧 [24.6%])。MRI检查主要用于筛查(9567次中5332次 [55.7%]),其次是已知癌症的评估。模型开发数据集包括17029侧单侧乳腺MIP,任务1(平衡检测)中恶性肿瘤存在率为20.0%(17029侧中3399侧),任务2(不平衡检测)中为1.85%(11934侧中221侧)(图1,表1)。

独立内部测试集包括来自171名女性(平均年龄,48.8岁±12.4)的342个单侧乳腺最大强度投影(MIP)图像(表2)。在任务1中,23.7%(342个中的81个)的单侧乳腺MIP图像发现了恶性结果,任务2中为12.6%(246个中的31个)(表2)。外部多中心数据集包括385个公开可用的治疗前乳腺MRI检查,其中221个(442个单侧乳腺MIP图像)(表S7)与我们的处理流程兼容,代表了不同的扫描仪平台、人口学特征和病变类型。排除是由于技术问题,如医学数字成像和通信(DICOM)头信息不一致、分割方向错误和运动伪影。

交叉验证结果

任务1(平衡检测)和任务2(不平衡检测)的癌症检测性能总结于图3和表3。在任务1中,FCDD优于BCE,跨折和种子的平均AUC为0.84±0.01(BCE为0.81±0.01;P<.001),平均AUPR为0.69±0.01(BCE为0.63±0.01;P<.001)。在任务2中,HSC和FCDD表现最佳;FCDD的平均AUC为0.72±0.03(BCE为0.69±0.03;P<.001),平均AUPR为0.11±0.03(BCE为0.09±0.03;P=.007)。自举置信区间和逐折P值分别报告于表S2和表S3。FCDD-Symmetric优于BCE但不及FCDD(表S4,附录S5)。按乳腺实质强化(BPE)分层(表S5)显示,随着BPE增高,性能降低,尤其是明显BPE,尽管FCDD在所有BPE水平上始终优于其他模型。在约登指数处(表3),任务1中BCE与FCDD之间的阳性预测值(PPV)无差异证据,但在任务2中,FCDD的PPV是BCE的两倍(14%±4 vs 7%±3;P=.005)。平均而言,FCDD每折产生175个假阳性,而BCE为233个。在95%和97%灵敏度下,FCDD和HSC在两个任务中均显示出显著高于BCE的特异度(所有P<.001)。

解释图(图4)显示,FCDD异常热图在空间上比BCE显著性图更具特异性(图4A、4B)。HSC图与FCDD图相似,且比BCE图更精确(附录S4)。假阳性通常高估异常区域,而假阴性包括被BPE遮蔽或在MIP图像上不易可见的癌症(图4C)。

独立测试集结果

在未重新训练的情况下,在内部测试集上的模型评估显示性能与开发数据集中的交叉验证相当(图3E、3F;表3)。FCDD和HSC提供了相当的癌症检测性能,两者在任务1和任务2中均优于BCE。FCDD在任务1中达到平均AUC为0.81±0.02(95%CI:0.81,0.82)(BCE为0.72±0.02;P<.001),在任务2中为0.78±0.05(95%CI:0.77,0.79)(BCE为0.76±0.01;P=.02)。

解释热图评估

来自内部解释测试集的逐像素AUC显示于图5A(患者特征见表2)。FCDD(平均AUC=0.92±0.10[95%CI:0.90,0.93])优于BCE(平均AUC=0.81±0.13;P<.001)。HSC表现与FCDD相似(平均AUC=0.90±0.15;与BCE相比P<.001),但变异性更高。FCDD-Symmetric的AUC略高于FCDD,但由于基于每位患者的参考,方差更大(附录S5,图S4)。

像素级 AUC 在肿块中高于 NME(图 5B),在浸润性癌中高于原位癌(图 5C)。对于所有病变类型和组织学类型,FCDD 的中位 AUC 均高于 BCE,但在 NME 和原位癌中,FCDD 的 IQR 较 BCE 更宽。在浸润性癌中,FCDD 和 HSC 在各 T 分期均优于 BCE(图 5D),尽管所有模型的 AUC 均随分期升高而下降。

将 FCDD 异常图和 BCE 显著性图与参考标准放射科医师标注进行比较,针对随机抽取的 T1、T2 和 T3 期恶性检查子集(图 5E)。FCDD 输出与参考标注高度吻合,尤其是 T1 和 T2 期病例,空间精确度和准确度均优于 BCE。HSC 比较见附录 S4 和图 S3。

多中心数据集中的外部评估

在未经模型再训练的情况下,FCDD 在平衡检测任务中的性能(平均 AUC = 0.86 ± 0.01 [95% CI:0.85,0.86];平均 AUPR = 0.88 ± 0.02 [95% CI:0.86,0.89])显著优于(P < .001)HSC(平均 AUC = 0.81 ± 0.01;平均 AUPR = 0.81 ± 0.01)和 BCE(平均 AUC = 0.79 ± 0.01;平均 AUPR = 0.83 ± 0.01)(附录 S6,表 S8)。在 Youden 指数处,FCDD 在 PPV、灵敏度和特异度方面也优于 BCE(表 S8)。在 97% 灵敏度下,FCDD 的特异度高于 BCE(12% ± 3 [26/221] vs 10% ± 5 [22/221];P = .009)(表 S8)。FCDD 的解释图与参考标注的一致性显著高于 BCE(像素级平均 AUC = 0.55 ± 0.12)和 HSC(像素级平均 AUC = 0.76 ± 0.15)(FCDD 像素级平均 AUC = 0.85 ± 0.13 [95% CI:0.83,0.87])(两者 P < .001;图 S5)。

既往研究比较

表 4 改编自 Adam 等 (3) 的综述,总结了患者数超过 300 例的乳腺 MRI 深度学习模型研究。对于平衡检测,FCDD 的性能与既往研究(AUC,0.82–0.92)(3) 高度一致,同时使用了更大、更多样化的评估集,并提供了无需参考标准标注即可实现可解释性的额外优势。对于不平衡检测,基准取自 Lee 等 (22) 在一项大型回顾性研究中报告的放射科医师性能,该研究采用筛查 MRI 中的真实世界癌症患病率(8387 次总检查中为 2.2%)。FCDD 的 PPV 和特异度(表 3)与放射科医师性能(PPV,19%;特异度,83%)相当,但灵敏度较低。

讨论

我们的研究显示,在平衡和不平衡的癌症检测任务中,异常检测优于传统的二分类方法。在平衡检测(任务1)中,全卷积数据描述(FCDD)模型取得了具有竞争力的平均受试者工作特征曲线下面积(AUC)0.84,尽管其性能是在比大多数先前研究(3)大10倍的数据集中评估的。此外,FCDD在不平衡检测(任务2)中表现出良好性能,平均AUC为0.72,精确率-召回率曲线下面积(AUPR)为0.11(是随机AUPR基线的五倍)。据我们所知,这是首次在大型、低患病率乳腺癌MRI数据集中对模型进行评估。对于两项任务,在较高的背景实质强化水平下性能普遍降低,且考虑双侧对称性并未进一步改善FCDD模型性能(FCDD-Symmetric模型)。在Youden指数处,FCDD在相似的敏感度和特异度下实现了二分类模型(二元交叉熵[BCE])两倍的阳性预测值,同时将假阳性预测数量平均减少25%(与BCE相比,233个假阳性中平均减少58个)。在95%和97%敏感度工作点下,异常检测模型(超球面分类和FCDD)优于BCE,并显示出将正确弃用的检查数量(即降级或降低放射科医生阅片紧迫性)增加50%或更多的潜力(两个工作点的特异度均比BCE高出50%以上)。

关于潜在整合到放射学工作流程中,我们的模型可用于快速排除正常扫描以进行分诊,并提高阅片效率。此外,异常热图可以突出显示潜在关注区域,同时为模型预测提供“合理性检查”,使放射科医生能够更快地聚焦于最可能包含恶性病变的区域。Jing等人(23)的模型在平衡检测设置中具有相似目标和可比性能(AUC,0.81;特异度,18%;敏感度,98%),估计可减少放射科医生工作量15.7%。我们预期FCDD模型会有类似的改善,同时在不平衡设置中具有更优性能。然而,正如先前计算机辅助检测工具(24)所显示的,将可解释AI模型谨慎整合到放射科医生工作流程中对于避免偏差或对显著性图的过度依赖至关重要。

与其他模型的解释图相比,FCDD图表现出更高的特异度和空间准确性,这两者都是模型输出对放射科医生有用的理想特征(13)。非肿块强化(NME)、原位癌和T3期浸润性癌的逐像素AUC普遍较低。NME通常难以与生理性背景实质强化(BPE)区分,且导管原位癌常表现为NME(25)。这种显示度的降低,加上FCDD的上采样过程(图1)(16),可能导致了NME和原位癌的可解释AI性能较差。我们假设较大T3期癌症中较低的逐像素AUC可能是由于训练集中大病灶的数量和多样性有限所致。

独立内部集中的模型评估进一步证实了FCDD在两项任务的癌症检测中的优越性,其AUC、AUPR及其他指标与在更大、更真实(即非癌症富集)的模型开发数据集中观察到的结果相一致。按BPE分层证实,无论BPE水平如何,FCDD均优于BCE(表S6)。同样,使用公开可用的多中心试验数据集(18)进行的外部测试证实了FCDD模型在检测和解释两方面的泛化能力。FCDD模型在外部数据集中的AUC(表S8)与平衡设置下的最佳模型性能(表3)相当。重要的是,该外部数据集主要包含分期较大(2期或3期)的浸润性癌症患者,这些病例对FCDD模型而言更容易检测。

我们认识到本研究存在多种局限性。模型仅使用二维减影MIP导致检测性能下降。尽管FCDD损失函数可以扩展以纳入完整MRI检查或临床变量,但可解释性可能会降低,因为医生需要评估更多的解释图,而更高维度的上采样过程可能产生意外的伪影。此外,当MRI扫描上仅可见细微异常,或良性类别变异度高且难以学习时(6),模型性能可能会降低。最后,我们的任务1和任务2数据集受限于缺乏病灶级标注和信息(如肿瘤组织学特征、分级、分子亚型及良恶性 designation),以及仅有解释测试集为回顾性标注这一事实。

总之,我们成功开发了一种可解释的全卷积数据描述(FCDD)模型,用于乳腺MRI扫描的癌症检测。我们的研究结果表明,FCDD模型在可解释性与检测能力之间提供了极佳的折中:模型生成的解释图与参考肿瘤位置密切匹配,且该模型在高癌症患病率和低癌症患病率场景下均优于常用模型。在未来的工作中,应在更大的病灶标注数据集和前瞻性研究中评估FCDD模型,以评估其在加速乳腺MRI解读工作流程方面的潜力。

补充材料

引用

  1. Oviedo F, Kazerouni AS, Liznerski P, et al. Cancer Detection in Breast MRI Screening via Explainable AI Anomaly Detection. Radiology. 2025. PMID: 40662973. doi:10.1148/radiol.241629
  2. 全文:PMC12314762(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12314762/

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。