文献速递乳腺MR

基于DCE-MRI 4D影像组学的AI分类器鉴别乳腺病灶良恶性并减少不必要活检

An A.I. classifier derived from 4D radiomics of dynamic contrast-enhanced breast MRI data: potential to avoid unnecessary breast biopsies.
PubMed 文献 · Eur Radiol · 2021-03-20

回顾性研究纳入329例女性470个BI-RADS 4/5乳腺病灶,从DCE-MRI提取86个4D影像组学特征构建神经网络AI分类器,测试集AUC 83.5%。在高敏感度阈值下可分别避免14.5%(C1)和36.2%(C2)的良性病灶活检,C2代价为4.5%假阴性低危癌症。

要点

  • AI分类器鉴别良恶性乳腺强化病灶,训练集AUC 80.6%,测试集AUC 83.5%。
  • C2阈值(≥95%敏感度)在测试集可避免36.2%良性病灶活检,假阴性4.5%。
  • C1阈值(100%敏感度)在测试集避免14.5%良性病灶活检,无假阴性。

关键影像表现/征象

  • 恶性病灶ktrans值高于良性病灶,ve值因细胞密度增加和促纤维增生而降低。
  • 软件自动提取86个DCE特征,包括曲线类型分布和Tofts模型药代动力学参数。
  • 主成分分析提取5个独立成分,成分1主要与ktrans体积分布相关,成分2主要与ve体积分布相关。

诊断标准与关键数值

  • AI分类器训练集AUC 80.6%(95%CI 75.8–84.8%),测试集AUC 83.5%(95%CI 76.8–89.0%),p<.001。
  • C1阈值:预测恶性伪概率>0.1741,训练集敏感度100%、特异度9.4%;测试集敏感度100%、特异度14.5%,PPV 60.0%、NPV 100%、准确率62.4%。
  • C2阈值:预测恶性伪概率>0.2564,训练集敏感度95.2%、特异度42.5%;测试集敏感度95.5%、特异度36.2%,PPV 65.6%、NPV 86.2%、准确率69.4%。
  • 测试集C2假阴性4/88(4.5%),均为DCIS(n=3)或低级别luminal A型浸润癌(n=1);训练集C2假阴性10/207(4.8%),其中DCIS 6例、低危浸润癌2例、G2 HER2阳性浸润性小叶癌2例。
  • 初始强化阈值33%相对信号增幅,曲线类型按早期强化(33–50%慢、>50–100%中、>100%快)和延迟期(持续>10%升、平台±10%、廓清>10%降)分为9种组合。

临床应用与阅片要点

  • AI分类器输出恶性伪概率,结合C1/C2高敏感度阈值可在保持敏感度的前提下辅助减少良性病灶活检。
  • 假阴性病灶多为DCIS或低级别luminal A型浸润癌,提示高敏感度阈值下漏诊风险主要涉及低危亚型。
  • 药代动力学特征ktrans和ve是分类器的主要贡献成分,阅片时可关注相应灌注参数。

局限性

  • 原文为回顾性、单中心、横断面观察性诊断研究。
  • 研究样本来自2005–2006年,使用1.5T MRI和4通道乳腺线圈。
全文中译15 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:Eur Radiol. 2021 Mar 20;31(8):5866–76. doi: 10.1007/s00330-021-07787-z

引言

由于其更高的敏感性,乳腺动态对比增强(DCE)磁共振成像(MRI)(bMRI)已成为高危患者筛查、乳腺X线摄影或超声检出的可疑及不明确乳腺病变的问题解决以及治疗反应监测的成熟诊断工具[1, 2]。近期,令人信服的证据支持在中危筛查中使用bMRI,例如乳腺极度致密的女性,未来bMRI检查的需求可能因此增加[3–5]。在bMRI中,识别可疑病变的主要标准是对比增强。虽然缺乏对比增强实际上可排除癌症,但对比增强病变可能引起对恶性的怀疑。

bMRI中的诊断挑战仍在于区分良性与恶性增强[6, 7]。在因BI-RADS 4或5类发现而被转诊进行活检的女性中,这些病变的大多数(40.2–84.6%)结果为良性[8–10]。这些需要额外影像引导干预的假阳性发现应保持在最低水平,因为其对人员和磁体时间的要求高且昂贵[2]。因此,有必要采用避免假阳性MR BI-RADS分类赋值的方法。既往研究努力要么使用进一步的MRI技术[11–13],要么使用基于形态学和动力学BI-RADS标准的专门临床决策规则[14]。虽然这些方法的结果令人鼓舞,但额外测量增加了磁体时间,且临床决策规则需要人工特征解读。尽管临床决策规则可能减少因不同经验水平导致的图像解读差异[15],但读者间变异仍然存在[16]。为利用bMRI的高敏感性而不引起过多召回(包括活检建议),需要以计算信息为中心的人工智能(A.I.)方法,如影像组学和机器学习。影像组学是医学中日益重要的领域,提供从大量数据中自动提取的、超出人类识别能力的影像衍生标志物[17]。

早期方法侧重于自动化信号强度-时间曲线评估,显示出与人工读者相当的结果[18]。Williams等[19]发现,病变增强动力学的半自动软件分析有助于bMRI检查的解读,从而更好地区分良性与恶性病变。通过将其软件应用于活检病变,他们能够证明使用半自动增强动力学测定可将假阳性率(对应于可避免的活检)降低多达23%。在方法学上可比的环境中,Gweon等[20]报告良性病变活检可能减少53%。应用于非肿块病变时,Vag等[21]也发现对比增强动力学的计算机辅助分析可改善乳腺癌诊断,但尚不够准确,不足以将BI-RADS增强动力学作为单一诊断标准。后者的结果与多篇出版物一致,这些出版物支持结合来自多个影像衍生对比度和标准的信息,以确保足够的诊断确定性以支持临床决策[6, 10, 22–25]。

值得注意的是,由于DCE是bMRI的核心,假设驱动的研究已促成完善的药代动力学模型,其中最重要的是Tofts模型,其提供的参数反映组织血管化特性。其中一个参数ktrans(即对比剂(CM)从血浆腔隙转运至血管外细胞外间隙(EES)的转运常数)反映所研究组织中对比剂的流入情况。与良性病变相比,恶性病变表现出更大的净毛细血管直径和更高的血管通透性,导致ktrans值更高。第二个参数是ve(即每组织体积的EES),描述细胞外血管外分布容积。由于细胞密度增加和促结缔组织增生性改变,其在恶性病变中降低。这两个参数的组合塑造了动态增强曲线,且二者均与此类特征组织的生物学行为相关[26–28]。放射组学可将来自时间和空间分辨(= 4D)DCE数据的这种生理信息与机器学习相结合。

我们的目标是评估使用DCE-bMRI的这种4D放射组学方法。诊断任务是区分乳腺良性与恶性强化病变,以帮助放射科医生进行临床决策,目的是避免不必要的活检。

材料与方法

研究设计

这项回顾性、单中心、横断面观察性诊断研究经当地伦理审查委员会(耶拿弗里德里希·席勒大学)批准,豁免知情同意要求。患者相关数据已去标识化,并按照良好科学实践标准处理。研究设计、稿件编辑和发现报告均参照CLAIM指南[29]进行。研究期间生成或分析的数据可应通讯作者要求提供。

患者

我们连续纳入2005年3月至2006年10月在德国耶拿大学医院诊断与介入放射学研究所接受bMRI的女性,其因乳腺X线摄影或超声检查发现可疑或不确定病灶(BI-RADS 0、4或5)而接受检查。乳腺X线摄影和/或超声检查要么出于筛查原因,要么作为有症状女性(如可触及肿块)的诊断性检查,因此代表了接受分期和问题解决性bMRI的常规影像检查患者人群[10, 12, 22]。所纳入病灶的最终多模态评估由四名具有5–25年乳腺影像经验的放射科医生中的两名以双读方式评定为BI-RADS 4或5。因此,所有患者均在bMRI后通过超声引导下14G空心针活检或MRI引导下9G控制台真空辅助乳腺活检进行组织学验证。所有恶性病变及所有恶性潜能不确定的病变(B3 [30])均接受手术。对于无法建立放射-病理一致性的个别病例(高度可疑发现但组织学结果提示活检目标遗漏)也进行了手术。作为参考标准,组织病理学诊断被二分为良性 vs 恶性。新辅助化疗后进行的检查被排除在进一步分析之外,以避免因强化数据改变而引入偏倚。最终研究数据集包含329名女性、470个经组织学验证的病灶。

本研究分析的患者已在既往研究中以不同的目的、分析和结果进行过研究[18]。

MRI扫描仪与成像技术

成像按照国际标准[1, 31, 32]在临床1.5T磁共振成像设备(Magnetom Sonata和Magnetom Symphony,Siemens Healthineers)上进行,使用专用的双侧接收-only 4通道乳腺线圈。成像方案包括8次动态轴位T1加权扰相梯度回波(重复时间113 ms,回波时间5 ms,翻转角80°,空间分辨率1.1 × 0.9 × 3 mm,33层,层间距根据乳腺大小0–20%,时间分辨率60 s)测量,一次在静脉注射对比剂(0.1 mmol/kg Gd-DTPA)前,7次在注射后。对比剂通过自动注射器(Spectris,Medrad)以快速团注方式(3 mL/s)经静脉给药。扫描仪软件自动执行从增强后动态图像中减去增强前图像。

图像分析

所有图像数据均由市售软件(目前以DynaCAD提供,为FDA批准的2类医疗产品,注册号892.2050)分析。数据分析由两名对组织病理学结果不知情的读者在乳腺成像专家(P.B.)监督下进行。读者接受了bMRI和软件操作方面的专门培训(n = 300次经组织学验证的独立检查)。

预处理与病灶分割

在通过本地图像归档和通信系统(PACS)传输未经处理的DICOM数据后,预处理包括自动弹性运动配准。配准后的动态序列使用初始期和延迟期强化的阈值进行彩色编码,使用一个增强前(P0)和两个增强后时间点(P1早期,P2延迟,分别在1分钟和7分钟后)。从P0到P1的初始信号强度变化(流入)需要通过33%相对信号增加的阈值。如果通过该阈值,早期强化可分类如下:(i)33–50%(慢速),(ii)> 50–100%(中等),和(iii)> 100%(快速)信号增加。曲线类型进一步根据P1和P2之间的延迟强化分类如下:(i)持续增加(> 10%信号增加),(ii)平台(信号稳定± 10%),和(iii)流出(> 10%信号降低)。这些标准共产生9种曲线类型组合(曲线类型图示见补充数字内容1)。未通过初始强化阈值的体素被排除在分析之外。药代动力学映射使用Tofts模型进行,采用基于人群的动脉输入函数和T1时间。

强化病灶使用软件提供的自动多层3D分割程序以监督方式进行分割(图1)。与软件的交互通过手动点击选择病灶进行分析。如果自动分割在个别病例中因弥漫性、广泛性强化而失败,可进行手动分割。分割结果由研究监督者根据多模态成像数据和组织病理学报告(P.B.)进行控制。

图1:一名49岁女性右乳内侧HER2型非特殊型(NST)浸润性乳腺癌的自动病灶分割示例(a,在参数图上编码为红色)。单击鼠标标记病灶后,以容积方式准确勾画出一个不规则肿块(b,此处仅显示一个层面)。随后,对最终为良性的病灶(c,右乳外侧)单击鼠标标记后自动分割。 查看原图 ↗

图像数据提取

病灶分割后,软件显示以下图像特征,共产生86个参数,用于进一步评估和诊断模型构建。增强前T1w信号强度以及注射对比剂后所有时间点所有通过阈值体素的信号强度(n = 8,平均曲线)

在整个分割病灶内自动选择的体素簇(3×3),呈现最具可疑性的曲线类型:最大流入曲线信号强度(包括一次增强前扫描,n = 8)

相对最大流出曲线信号强度(n = 7)

相对最大流入/流出曲线信号强度(n = 7)

按曲线类型1–9定义的子体积百分比分布(n = 9;例如,病灶内中等流出体素的百分比)

由Tofts模型衍生的药代动力学参数的体素分布(第10至90百分位数及四分位数)(n = 33,iAUC、ktrans、ve)

因此,结果导出至数据库并计算了额外的次要参数(Excel in Office 365,Microsoft,美国):5.相对流出率(定义为:relSIinitial–relSIdelayed),以第一和第二(峰值)增强后时间点作为参考点,导致每条曲线产生两个值(n = 8;平均值、最大流入、最大流出、最大流入/流出)

整体病灶流出(i–iii/III)、平台(i–iii/II)和持续(i–iii/I)曲线类型的百分比(n = 3)。

iAUC、ktrans和ve的四分位距(n = 3)。

恶性和良性病灶的示例见图2和图3。

图2:一名54岁女性低分化(高级别,G3)非特殊型(NST)浸润性导管癌容积分析的可视化示例。a 分割结果同样显示于图1中,(b)方法部分定义的强化曲线类型分布(红色:流出;绿色:平台强化;蓝色:持续强化;色调表示初始强化:深色:慢速,中间色:中速,亮色:快速)。c ktrans直方图,E显示ve值的直方图。整个病灶(白色)、最大初始强化(紫色)、最大流出(绿色)和最大初始强化至流出曲线(青绿色)的信号强度时间曲线显示于d中。该图展示了用于图像数据分析的软件所提供的一些可视化方法。所有原始数据按方法部分规定以体素方式导出以供进一步分析。A.I.分类器提供的恶性伪概率为77%,高于C1和C2两个阈值 查看原图 ↗
图3 一位34岁女性纤维腺瘤B2(活检良性发现,无需进一步处理)体积分析的可视化示例。a 分割结果同样见图1,(b)方法部分定义的强化曲线类型分布(红色:廓清;绿色:平台强化;蓝色:持续强化;色调表示初始强化:深色:慢速,中间色:中等,亮色:快速)。c ktrans直方图,e ve值直方图。整个病灶(白色)、最大初始强化(紫色)、最大廓清(绿色)和最可疑曲线(青绿色)的信号强度-时间曲线显示于d。该图展示了用于图像数据分析的软件所提供的一些可视化方法。所有原始数据均按方法部分的规定以体素为单位导出以供进一步分析。人工智能分类器提供的恶性伪概率为6%,低于C1和C2两个阈值 查看原图 ↗

数据降维与诊断模型构建

使用全部86个提取参数进行主成分分析以降低数据维度。根据统计学家的建议设定特征值截断值为3,所有显示较高特征值的成分均保存用于进一步分析和模型构建。为构建诊断性人工智能分类器,训练了一个采用多层感知机架构的人工神经网络(ANN)。输入层由主成分分析(PCA)提取的成分组成,输出层为二分类良性 vs 恶性任务中的恶性概率。ANN架构包括隐藏层的数量和节点数、激活函数(双曲正切或Sigmoid)以及训练轮数,均根据分类性能的提升自动选择。隐藏层内单元数的初始约束设定为1至50之间。训练以批量模式进行,使用缩放共轭梯度算法进行优化。初始lambda设为5 × 10−7,初始sigma设为5 × 10−5。训练轮数自动选择,训练误差的最小相对变化设为0.0001,训练误差比率的最小相对变化设为0.001。人工智能分类器在70%的病例上进行训练,留取30%作为来自同一数据源的独立测试样本。所有计算均使用SPSS 25版,2017年(SPSS Inc.,IBM)完成。

诊断性能统计

以组织病理学作为参考标准,采用ROC分析评估所构建的人工智能分类器区分乳腺良恶性病变的诊断性能。检验计算所得AUC与随机机会的差异,若p ≤ 0.05则认为显著。在训练数据集中确定具有高灵敏度的截断值(100%,C1;≥ 95%,C2),然后应用于测试数据集以估计人工智能分类器避免不必要活检的潜力,该潜力等于特异度,因为患者群体仅由可疑活检发现组成。同时,可确定在这些截断值下漏诊(假阴性)癌症的数量。所有ROC分析均使用Medcalc 19版,2019年(Medcalc Software Ltd.)完成。

结果

数据集:患者与病灶

纳入的329例患者(平均年龄55.1岁,范围18–85岁)中,共470个病灶经组织学验证(表1,图4)。其中,295个(62.8%)为恶性,175个(37.2%)为良性,病灶大小范围为5至91 mm。病灶大小中位数为16 mm,四分位距为13 mm。

通过随机分配,约70%的病灶用作训练数据集,30%用作测试数据集。最终,313个病灶(66.6%,207个恶性)被分配为训练集,157个(33.7%,88个恶性)为测试集。

表1 组织病理学病灶特征 查看原表 ↗
图4 训练数据集(a)和测试数据集(b)的受试者工作特征(ROC)曲线。详细结果见结果部分和表2 查看原图 ↗

提取特征的主成分分析

从半自动图像分析中提取了86个MRI特征。这些特征的PCA在数据集中分离出5个主要成分。成分矩阵显示,影响成分1的主要变量与容积性ktrans分布相关,而成分2主要受容积性ve分布影响。成分3主要受最大廓清曲线和流入至廓清曲线的信号强度随时间变化影响,成分4主要受最大流入曲线的信号强度变化影响。最后,成分5显示与病灶体积平均信号强度随时间变化(平均曲线)以及平台型和持续型曲线类型体素的相对分布有主要关系(参见表,补充数字内容2,提供成分构成的详细信息)。

A.I.分类器的诊断性能

训练后的多层感知器MLP 5:3:2 A.I.分类器产生了高度显著的(p < .001)AUC为80.6%(95% CI:75.8–84.8%)。在测试数据集上,A.I.分类器达到了高度显著的(p < .001)AUC为83.5%(95% CI:76.8–89.0%)。单一预测因子重要性和A.I.分类器架构见补充数字内容3和补充数字内容4中的图。

A.I.分类器避免不必要活检的潜力

训练集C1在预测伪概率> 0.1741时被确定,产生100%的敏感性和9.4%的特异性。C2条件在预测伪概率> 0.2564时被满足,达到95.2%的敏感性和42.5%的特异性。在C1时,106例中10例(9.4%)产生良性结果的不必要活检被ANN分类器评定为真阴性,0例假阴性发现。在C2时,正确识别为良性的良性病灶数量为45/106(42.5%),产生10/207(4.8%)假阴性发现。大多数(8/10)假阴性病灶为非浸润性癌(DCIS,n = 6)或低风险浸润性癌(luminal A型,即ER-/PR阳性、Her2阴性、低增殖指数Ki-67;n = 2)。其余两个假阴性病灶为中等分化/中级别(G2)her2阳性浸润性小叶癌。

在测试样本中,评估预定义人工智能分类器 cutoff C1(> 0.1741)的性能得出灵敏度为 100%、特异度为 14.5%。应用 C2(> 0.2564)得出灵敏度为 95.5%、特异度为 36.2%。69 个良性病变中分别有 10 个(14.5%,C1)和 25 个(36.2%,C2)被正确识别,同时分别产生 0 个(C1)和 4/88 个(4.5%,C2)假阴性癌症。由此得出 PPV 为 60.0%(C1)和 65.6%(C2),NPV 分别为 100%(C1)和 86.2%(C2),准确率为 62.4%(C1)和 69.4%(C2)。测试样本中的假阴性病变包括非浸润性癌症(DCIS,n = 3)或低风险浸润性癌症(NST,高分化/低级别,即 G1、luminal A 型;n = 1,表 2)。

表 2 人工神经网络(ANN)的诊断性能 查看原表 ↗

讨论

我们证明,所研究的基于 DCE 图像的时间与空间分辨(4D)影像组学方法能够区分乳腺良性与恶性强化病变。使用针对恶性的高灵敏度 cutoff 有可能避免 15%(C1)最终为良性结果的乳腺病变活检,且无假阴性。可避免活检的比例可提高至 36.2%(C2),代价是漏诊 3 例非浸润性 DCIS 和 1 例 luminal A 型 IDC。

在多种适应证中,乳腺磁共振成像(bMRI)日益被视为强大的诊断工具 [1, 2, 33]。近年来已有若干出版物明确证明 bMRI 在中风险筛查中的附加价值 [3, 4, 34]。这些研究为个体化筛查策略奠定基础,其中 bMRI 可应用于乳腺 X 线摄影显示乳腺极度致密的女性。将 bMRI 用作附加诊断工具时的主要问题之一,是仅于 MRI 可见病变的后续处理 [2, 33, 35]。虽然其中一些病变可通过靶向超声检查显示,但额外的二次超声检查需要大量人员,且尽管比 MRI 引导活检便宜,仍需费用。MRI 引导活检对乳腺癌诊断有效,但有创且耗时 [2, 35]。此外,欧洲乳腺影像学会(EUSOBI)的一项调查指出欧洲 MRI 引导有创操作存在短缺 [2]。因此,有必要采用避免 MR BI-RADS 分类假阳性赋值的方法。既往研究努力要么使用进一步的 MRI 技术 [11–13],要么使用基于形态学和动力学 BI-RADS 标准的专门临床决策规则 [14]。虽然这些方法的结果令人鼓舞,但额外测量会增加磁体时间,而临床决策规则需要人工特征判读。尽管临床决策规则可能减少图像判读困难,但不同经验水平 [15] 导致的差异以及阅片者间变异仍然存在 [16]。

因此,近年来影像数据的定量多维分析逐渐兴起,这些数据被认为反映了肿瘤性疾病的潜在表型,现被称为影像组学[36]。关于该主题的出版物日益增多,使用不同的软件系统、数据分析和分类技术,研究重点和终点各异,使得性能和结果的比较具有挑战性[37]。与研究可比性相关的技术问题包括图像分析、预处理、归一化、特征降维和神经网络结构[37–40]。对于具有临床适用性的研究结果,应定义与临床决策相关的终点。在乳腺病变的临床管理中,不必要的活检仍是一个主要临床问题。为评估包括影像组学分类器在内的额外检查的价值,在活检患者人群中采用高灵敏度截断值可估算潜在可避免活检的比例[12, 14, 16, 19, 20, 24]。利用经典动力学和药代动力学参数的自动分析构建容积4D影像组学人工神经网络(ANN)分类器,我们在MRI可疑乳腺病变并经组织学验证的设置中,发现约15%(C1)和36%(C2)的潜在可避免活检。因此,所报道的诊断准确率等同于在所研究设置中既定ANN相较于初始人工判读(由人工分配初始BI-RADS分类和活检建议)对病变表征的可能改善程度。Truhn等[41]报道了一项影像组学和深度学习研究,基于T2加权和动态对比增强图像衍生特征区分bMRI中的良恶性病变。尽管其结果令人鼓舞,但诊断性能估计低于人工读者,且未研究对临床决策(即是否进行活检)的影响。我们方法的优势包括:商业可用的软件及其透明的底层算法,以及纳入反映生理信息的DCE数据,相较于缺乏生理学背景的不可知标准。此外,我们选择了明确的临床相关设置和终点(可避免活检)、足够大的数据库和分割样本验证。近期,Verburg等[5]在乳腺极度致密女性的筛查设置中(包括85%的良性病变),通过基于46个影像和3个临床参数的影像组学模型,使用多参数或简化MRI协议,在召回患者中发现41.5%和26.2%的可避免活检。Illan等[42]的另一项研究聚焦于bMRI中临床具有挑战性的非肿块病变,提供自动分割,辅助经验不足和专家读者对对比增强动力学的视觉分析。除促进病变表征外,融入生理增强特征先验知识的影像组学方法已被证明可用于基于自动提取的对比增强动力学和容积特征预测原发性乳腺癌患者的生存[43]。

血管特性可通过包括药代动力学映射在内的DCE测量进行量化。我们模型的主要成分主要由ktrans(成分1)和ve(成分2)的体积特征(直方图参数)构成,已知这两个参数分别与血管净直径和通透性(ktrans)以及细胞外间隙特性(ve)密切相关。值得注意的是,与其他关于恶性肿瘤组织表征的研究一致,不仅是参数本身,其空间分布特征也独立地有助于病变诊断,凸显了体积学方法的价值[27]。其他三个确定的主要成分主要依赖于增强动力学,如 wash-in 和 wash-out,这与BI-RADS提高癌症怀疑度的标准相符[44]。

本研究存在一些局限性需要说明。首先,我们的研究为回顾性设计,存在固有的选择偏倚,倾向于那些被转诊进行活检的临床疑难病例。因此,本研究中恶性病变的患病率高于一般人群。此外,该研究在高患病率环境中进行,导致数据库包含了传统图像或bMRI上可见的混合病变。因此,在现阶段结果必须被视为探索性的,不能直接推广,例如推广至筛查召回人群。尽管如此,该设计允许评估一个临床相关终点:良性病变中可避免的活检。仅使用经组织学确认的MRI可疑病变,导致数据库仅包含参照报告放射科医师初始临床判读的真阳性和假阳性病变。因此,诊断性能估计可直接转化为诊断准确性的提高,并允许测量潜在可避免活检的比率及其在假阴性结果中的代价。我们未对自动病变分割和特征提取进行专门的可重复性分析。我们使用该软件及底层分割算法的临床经验表明变异极小,仅在噪声极大的数据或非常大且边界不清的强化区域中才可能出现变异。使用单一厂商系统处理单一厂商图像数据的方法可能被视为一项局限性。然而,本研究所使用的DCE衍生体积参数未使用可能易受厂商特异性偏倚影响的高维纹理特征。虽然我们基于按照国际建议采集的MR图像所得的结果令人鼓舞,但我们可以预见使用具有更高时间和空间分辨率的MRI技术将获得更高的诊断潜力。最后,我们的探索性结果虽然在拆分样本验证中证明稳健,但仍需要独立的、最好是前瞻性的测试来证明其临床适用性。此外,未来研究还可纳入若干其他已建立的参数,如形状和纹理特征以及T2加权特征[8, 41]。

总之,所研究的时间与空间分辨(4D)放射组学方法显示出很高的诊断能力,能够区分良性和恶性病变,而无需依赖主观的阅片者判读。应用所提出的人工神经网络(ANN),可以自动避免大量针对良性病变的不必要活检,从而促进放射科医生的工作流程并减轻患者的负担。

补充信息

ESM 1(DOCX 462 kb)

引用

  1. Pötsch N, Dietzel M, Kapetas P, et al. An A.I. classifier derived from 4D radiomics of dynamic contrast-enhanced breast MRI data: potential to avoid unnecessary breast biopsies. Eur Radiol. 2021. PMID: 33744990. doi:10.1007/s00330-021-07787-z
  2. 全文:PMC8270804(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8270804/

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。