AI鉴别乳腺良性病变与三阴性乳腺癌的多中心研究
本研究基于英国三家机构566例乳腺X线图像(277例良性、289例三阴性乳腺癌),开发并验证卷积神经网络模型以区分两者。测试集AUC达0.984,敏感度94.2%,特异度91.9%,优于专家放射科医生的71%敏感度和60%特异度。Grad-CAM显示模型除病灶特征外还利用肿瘤微环境信息进行判断。
要点
- 三阴性乳腺癌在乳腺X线上常缺乏典型恶性征象,可表现为圆形肿块,易与良性病变混淆。
- 该CNN模型测试集敏感度94.2%高于专家放射科医生71%,提示可作为补充诊断工具减少漏诊。
- Grad-CAM显示模型对肿块型病灶依赖周围组织特征,对钙化型病灶则主要依赖病灶本身。
核心结论
- 提出的CNN模型在乳腺X线ROI上区分三阴性乳腺癌与良性病变的测试集AUC为0.984,仅3例TNBC被误判为良性。
- 模型敏感度和特异度均高于专家放射科医生,提示其作为补充诊断工具在TNBC早期诊断中的潜在价值。
- Grad-CAM显示模型预测不仅依赖病灶本身,还利用病灶周围组织微环境信息。
研究设计与样本
- 回顾性多中心研究,纳入英国三家机构566例乳腺X线图像(277例良性、289例TNBC),良性病例平均年龄61.79岁(SD=8.82),TNBC平均年龄66.71岁(SD=6.95)。
- 良性与TNBC标签均经病理证实;仅使用每例末次诊断性乳腺X线图像,自动裁剪病灶ROI并归一化至224×224像素。
- 采用四卷积块CNN架构,三折交叉验证(患者独立)用于参数选择,最终按80%训练/20%测试分割评估。
- 预处理比较CLAHE、TV最小化去噪及两者联合,最终选用TV+CLAHE联合方法;优化器选用SGD,学习率1×10⁻⁵。
- 临床验证由一名经验丰富的乳腺放射科医生在无预处理、无附加临床病理信息条件下对测试集独立进行二分类并给出四级置信度评分。
关键影像表现/征象
- Grad-CAM显示当TNBC病灶为肿块时,模型主要关注病灶周围组织而非病灶本身。
- 当TNBC病灶为钙化时,模型预测主要依赖病灶本身。
- 高亮区域常对应病灶周围细微的结构扭曲、实质纹理不对称或局部密度变化。
诊断标准与关键数值
- 测试集114例中106例分类正确,总准确率约93%;51例TNBC中3例误判为良性,良性病例中5例误判为TNBC。
- 模型测试集敏感度94.2%,特异度91.9%,AUC为0.984;三折交叉验证所有指标均超过89%,标准差低于3%。
- 专家放射科医生在测试集上敏感度约71%,特异度约60%,总正确率65%(37例良性+37例恶性)。
- 放射科医生对正确分类的恶性病例置信度最高,对良性误判为恶性(最常见错误类型)的置信度最低。
临床应用与阅片要点
- 三阴性乳腺癌在乳腺X线上可缺乏典型恶性征象并表现为圆形肿块,常规阅片时需警惕此类形态的恶性可能。
- 模型对肿块型病灶依赖周围组织特征,提示阅片时除病灶本身外应关注周围微环境的结构改变。
- 放射科医生将恶性误判为良性时置信度仍较高且标准差低,提示对TNBC存在系统性认知偏差,需借助工具辅助。
- AI模型与放射科医生各有优势:3例被模型误判的TNBC中有2例被医生以最高置信度正确识别为恶性。
- AI应作为补充工具而非替代医生,在复杂或边界病例中医生判断仍不可或缺。
局限性
- 数据集主要来自单一成像设备,且仅限参与机构所在的地理区域。
- 数据量有限(<600例),原文指出未来可结合生成对抗网络进行数据增强。
- 仅由一名放射科医生进行对照评估,未评估观察者间变异。
- 数据集规模较小,原文提示数据增强需谨慎,合成病灶在纳入研究前必须经过临床验证。
全文中译11 节 · 点击展开
引言
乳腺癌(BC)是全球诊断数量最高的癌症[1]。2020年,被诊断为该病的女性人数超过200万[2],仅在美国,估计每八名女性中就有一人一生中会罹患乳腺癌[3]。
乳腺癌的早期诊断通常通过乳腺X线摄影的普及筛查项目进行[4]。尽管其在降低死亡率方面具有积极影响[5],但关于假性诊断的发生也引发了一些担忧[6]。就假阳性而言,在欧洲出现假阳性的风险约为20%,而在美国,所有接受筛查的女性中有50%会经历一次假阳性[6]。这对女性的心理健康产生负面影响,同时也导致医疗费用增加[6]。在一项针对间期癌的回顾性研究中发现,近35%的病例在之前的乳腺X线片中被漏诊[7]。假阴性结果的影响远比假阳性更为严重。错过及时诊断可能导致需要更具侵袭性的治疗以及更差的预后。
浸润性乳腺癌是乳腺癌中最常见的类型,通常需要广泛的治疗干预。其特征在很大程度上取决于相关的分子亚型,而分子亚型在决定疾病进展和预后方面起着至关重要的作用。根据免疫组织化学标志物——即激素受体(雌激素和孕激素)、人表皮生长因子受体2(HER2)状态和Ki-67水平——该癌被分为四种主要亚型:Luminal A型、Luminal B型、HER2富集型和三阴性[8, 9]。了解分子亚型对于确定治疗方案也很重要[10]。Luminal亚型为激素受体阳性,通常预后较好,而HER2富集型肿瘤可从靶向治疗中获益。在所有分子亚型中,三阴性乳腺癌(TNBC)最具侵袭性,转移和复发风险最高。与激素受体阳性或HER2富集型亚型不同,TNBC缺乏靶向治疗选择,这导致了其较差的临床结局[8]。因此,TNBC在早期阶段得到正确诊断极为重要。然而,研究表明,乳腺X线摄影对于TNBC的检出可能并非最佳方法,因为TNBC常常缺乏典型的可疑乳腺X线征象,可能表现为圆形肿块[11]。事实上,有证据表明TNBC的影像学表现可能模拟良性病变的外观[12]。
鉴于乳腺X线筛查中存在的问题和挑战,尤其是假阴性的发生,以及TNBC早期表现中缺乏恶性征象[13],显然需要一种能够支持临床决策、帮助识别TNBC并将其与良性病变区分开来的系统。人工智能(AI)是解决这一问题的一种可行方案[14]。AI已被广泛应用于乳腺影像领域[15],从病灶检测到风险预测[16]。特别是,AI已被证明能够在增加乳腺癌诊断准确性的同时不增加医疗专业人员的工作负担[17]。
在本项工作中,我们提出开发一种基于卷积神经网络(CNN)的方法,用于在乳腺X线摄影中鉴别良性病变与三阴性乳腺癌(TNBC)肿瘤,并纳入可解释性措施以更好地理解其决策过程。
材料与方法
数据集与预处理
本研究使用的数据来源于OPTIMAM数据集[18],该数据集包含数千名女性的纵向检查记录。在本研究中,我们仅使用最后一次可用的诊断性乳腺X线片,并根据上述检查将图像分为两类:良性和TNBC。TNBC标签通过OPTIMAM中可获得的病理报告确认,而良性病例对应经活检证实的良性发现。本研究共纳入566张乳腺X线片,其中良性病例277例(48.9%),平均年龄61.79岁(SD = 8.82);TNBC病例289例(51.1%),平均年龄66.71岁(SD = 6.95)。
本研究是一项多中心研究,使用了三家机构采集的数据:吉尔福德的Jarvis乳腺筛查中心、伦敦西南部的圣乔治医院和剑桥的阿登布鲁克医院。
根据数据集中提供的标注,对每张乳腺X线片进行裁剪,自动提取包含病变的感兴趣区域(ROI)。随后,将所有ROI归一化至0到255的像素值范围,并调整为224×224的尺寸,以符合我们网络所需的输入大小。
为提高所提取ROI的质量,实施了三种不同的预处理方法并进行了相互比较:对比度受限的自适应直方图均衡化(CLAHE)、全变分(TV)最小化去噪以及二者的组合。CLAHE[19]旨在通过在图像的多个小区域上计算若干直方图并进行均衡化来改善图像对比度。该方法不同于常见的自适应均衡化技术,因为它限制了图像不均匀区域中噪声的放大。另一方面,TV最小化旨在减少图像中的强度变化,同时保持边缘的锐利度[20]。这些处理方法的实施是标准化且自动化的,不会影响该方法潜在的临床实用性。
模型:开发、训练与测试
本研究使用的主干架构已被我们团队的其他工作证明有效,包括在数字乳腺断层合成[21]和乳腺X线片[22]分类中的应用。为了调整正则化率(0.01至1 × 10−6,按对数步长)、预处理技术以及优化器选择(Adam或随机梯度下降(SGD))等参数,在整个数据集上采用了三重交叉验证方法。在找到最优配置后,将整个数据集按80%训练集和20%测试集划分,进行一次最终运行以进行评估。
模型架构详见表1。它由四个卷积块组成,随着网络加深,滤波器数量逐渐增加(16–32–64–128),卷积核尺寸逐渐减小(9–7–5–3)。使用ReLU作为激活函数。每个卷积层后面都跟一个批量归一化层,其目的是促进收敛并稳定学习过程。特征图的下采样通过每个卷积块末尾的最大池化层完成。经过四个卷积块后,特征图被展平,并作为输入送入一个含有128个神经元的全连接层。分类在最后一层完成,使用sigmoid激活函数。训练进行了500个epoch,批量大小为32。在以患者独立方式进行的3折交叉验证过程中,使用曲线下面积(AUC)、准确率、灵敏度和特异度的均值来选择最佳参数集。随后使用这些指标评估模型在测试集上的性能。
可解释性
为了回应深度学习模型被视为“黑箱”的普遍看法,本研究使用了可解释性方法。具体来说,我们应用了梯度加权类激活映射(Grad-CAM)[23]。该方法利用梯度为模型预测生成可视化解释。在本研究背景下,该方法聚焦于最后一个卷积层的激活。
Grad-CAM生成热图,将其叠加在相应图像上,突出显示对所做分类贡献更大的区域。通过这样做,我们确保模型做出合乎逻辑的推断,同时使我们能够从医学角度理解哪些区域更能提示三阴性乳腺癌(TNBC)诊断,而非良性病变。该方法应用于测试集中标记为“1”(表示TNBC诊断)的图像。
临床验证
为了从临床角度验证模型的预测,测试集图像(未进行任何预处理,以反映标准筛查评估)由一位经验丰富的乳腺放射科医生独立评估。对于每个病例,放射科医生在没有获得额外临床或病理信息的情况下给出二分类结果(良性或TNBC)。
除分类外,还要求放射科医生对每个决策赋予一个置信度评分,采用四级量表,范围从1(低置信度)到4(完全置信)。这项临床评估旨在从人的角度了解每个病例的诊断难度,并作为比较模型性能与经验丰富的临床医生表现的参考。
结果
模型优化
图1展示了所提出的预处理技术对原始图像的效果。应用CLAHE使图像对比度整体增强,图像上的一些纹理细节变得更加清晰可见。另一方面,对原始图像应用TV最小化例程可降低整个图像的颗粒感。该滤波器达到了其目的:在保持细节的同时,整个图像显得更加平滑。最后,将该滤波器应用于CLAHE图像时,两种方法明显结合,并产生了预期的结果:纹理细节增强,同时颗粒感显著降低(在病灶周围组织中尤为明显)。
关于交叉验证结果,其主要作用是为最终运行确定参数设置。对三种预处理方法进行了应用和比较。表2展示了每种图像处理方法使用学习率为1 × 10−5的SGD所获得的结果。
总体而言,无论使用何种预处理技术,各指标的分类性能均持续保持较高水平。然而,TV与CLAHE的组合在所评估的方法中表现突出。该组合的平均准确率与单独使用CLAHE时相同,但其稳定性更优,表现为标准差更低。此外,两种技术联合应用时也观察到了最高的AUC值,显示出两类之间最佳的判别能力。然而,单独使用CLAHE算法时观察到了最高的特异度。使用这些图像训练的模型实际上是唯一能够正确识别超过90%阴性类别(良性病变)的模型。尽管如此,TV与CLAHE的联合使用获得了最高的灵敏度,超过95%的阳性实例被正确分类。考虑到所提出任务的临床相关性,将一例TNBC病例误分类为良性病变,其负面后果比相反情况更为严重。因此,从临床角度而言,优先选择正确识别阳性病例能力更高的模型更为重要。基于此,选择两种预处理方法的组合用于模型的最终运行。尽管数据集相对较小,但较高的性能指标和极小的均值标准差表明,该模型具有稳健性,并能够泛化到不同的影像数据集。
模型验证
在最终运行中,将整个数据集分为训练集(80%)和测试集(20%),并对图像同时应用TV最小化和CLAHE进行预处理。
测试集结果与交叉验证中观察到的情况一致。测试集上获得的性能指标见表3,图2a展示了将测试集输入模型后所获得的混淆矩阵。
如表3所示,结果符合预期。灵敏度仍然很高,而特异度现已超过90%。此外,最终评估中获得的AUC高于三折交叉验证期间获得的平均AUC。总体而言,无论类别如何,近93%的病例被正确分类。在51例TNBC病例中,仅3例被误分类为良性。良性类别中分类失败的病例数略高(5例),这可以从灵敏度和特异度值中看出。如前所述,正确识别TNBC和良性病例都很重要;然而,由于TNBC的临床意义,检出TNBC尤为关键。所开发的模型通过保持极低的假阴性结果数量来应对这一问题。
放射科医生分析
图2b描绘了放射科医生所做分类的混淆矩阵。总体而言,65%的病例被正确分类(37例良性和37例恶性)。放射科医生在分类良性病例时倾向于犯更多错误,有25例误分类。总结而言,放射科医生的灵敏度约为71%,特异度约为60%。表4列出了放射科医生在正确和错误分类中的平均置信水平。最高置信度出现在正确分类的恶性病例中,而最低置信度出现在良性病例被错误分类为恶性的情况中——这也是最常见的错误类型。这似乎表明,当存在疑虑时,医生倾向于采取将病例分类为恶性的保守做法。
模型可解释性
关于可解释性结果,图中展示了来自我们测试集的三个不同TNBC肿块病例(图3a)。图3b显示了三个被我们的网络正确分类的TNBC钙化病例。这些图展示了原始图像及相应的Grad-CAM热图叠加——红色区域代表对分类贡献最大的位置。随着热图上的颜色向蓝色过渡,图像上这些位置对分类的贡献减少。
另一方面,图4a描绘了模型未能正确分类的三个TNBC病例及其各自的热图。被我们的模型识别为TNBC的三个良性病例展示于图4b中。
讨论
本研究的主要目标是开发一种基于AI的模型,能够分析包含病灶的乳腺X线摄影ROI,并将TNBC病灶与良性病灶区分开来。采用三折交叉验证方法以选择最佳参数设置。最终模型运行选用了学习率为1 × 10−5的SGD优化器,以及两种预处理方法(TV最小化和CLAHE)的组合。
总体而言,我们的测试集包含114张图像,其中106张被正确预测为其真实类别。由此得到接近93%的准确率。此外,仅3例TNBC被错误分入良性类别,而良性病例中仅有5例被误分。这些结果带来了接近94%的敏感性和接近92%的特异性。性能指标对数据变异性的稳健性得到交叉验证结果的支持,所有指标均超过89%,且标准差低于3%。
所开发模型的关键优势之一是其高敏感性。在临床背景下,TNBC的乳腺X线表现可能并不呈现典型的恶性特征(大小、不规则形状、毛刺状边缘),因此可能导致误诊。尽管存在这样的变异性,所开发的模型仍能正确分类所有病例的93%。这表明我们的模型可能有助于降低误诊风险,从而帮助避免延迟检出并改善患者预后。此外,非常高的特异性值表明其识别良性病例的能力很强,这有助于降低假阳性结果的概率,而假阳性可能导致不必要的后续检查程序和医疗成本增加。
尽管如此,所提出的模型不止于做出预测,我们还努力确保其不是作为一个纯粹的黑箱运行。我们在流程中引入了Grad-CAM,以对模型所做预测提供直观清晰的解释。结果表明,除了病灶本身之外,两个类别之间的区分在很大程度上受到周围组织的影响。这些发现与当前最先进的研究一致,后者提示周围微环境包含有助于乳腺病灶评估的有价值信息[24]。这些发现也具有临床意义。恶性肿瘤(如TNBC)与良性病灶之间的主要区别在于恶性肿瘤侵袭并扩散至周围组织的能力。鉴于此,在病灶本身未显示明确恶性征象的情况下,模型自然会将注意力集中在周围组织的特征上以区分类别。高亮区域通常对应病灶周围细微的结构扭曲、实质纹理不对称或局部密度变化——这些表现可能反映TNBC特有的间质反应或促结缔组织增生性改变。这一行为表明,模型正在有效地学习识别提示恶性的细微组织改变,即使这些改变对于人眼而言不易辨别且肿瘤本身看起来并不典型。值得注意的是,当TNBC病灶为肿块时,模型仅关注周围组织(图3a);然而,当病灶为钙化时(如图3b所示),模型的预测主要依赖于病灶本身。
CNN与放射科专家的对比揭示了有价值的信息,尤其是在结合所报告的置信水平进行分析时。总体而言,放射科医生正确分类的病例对应较高的置信度和较低的标准差,表明其决策一致且确切。然而,在放射科医生将恶性病变错误分类为良性的15例病例中,平均置信水平较高且标准差较低。这提示一种系统性的、普遍化的误判,在三阴性乳腺癌(TNBC)诊断背景下具有临床警示意义。相比之下,当良性病变被误分类为恶性时,相关置信水平较低且变异更大:这表明诊断上存在不确定性,虽然会导致假阳性,但在临床环境中可能更可取,以避免漏诊恶性肿瘤。
对模型与放射科医生判断不一致病例的进一步分析提供了更多见解。在62例良性病例中,有5例被CNN误分类为恶性。其中2例也被放射科医生分类为恶性(置信水平分别为3和4),其余3例被正确识别为良性,但置信度为中等(置信水平分别为2、2和4)。相反,在52例恶性病例中,有3例被CNN误分类为良性。其中1例也被放射科医生错误分类为良性(置信水平为3),而另外2例被以完全置信正确识别为恶性(置信水平为4)。图4a展示了我们的模型失败的3例恶性病例。放射科医生准确分类了“病例1”和“病例3”,识别出了将肿瘤判定为恶性的模式。然而,我们的模型未能从这些病例中找到有意义的信息,Grad-CAM叠加图的不一致性说明了这一点(与图3a中正确分类病例的情况相反)。
CNN与放射科专家之间的对比凸显了人类专业知识与人工智能的互补性。虽然模型表现出更优的性能,但在某些具有临床意义的病例中,放射科医生的表现优于模型,正确识别了被CNN误分类的恶性病变。这些发现进一步支持了以下观点:AI模型不应取代临床医生,而应作为辅助工具,特别是在复杂或临界病例中。
尽管结果令人鼓舞,但本研究仍存在若干局限性。所使用的数据集主要采集自单一成像设备,且仅限于参与机构所在的地理区域。从不同来源收集数据十分重要,因为这有助于全面了解三阴性乳腺癌(TNBC)与良性病变临床表现的真实变异性。此外,数据量也有限(少于600例),未来工作可能受益于数据增强技术,特别是生成对抗网络的使用。然而,在此场景下使用数据增强需要更加谨慎。该模型的目标是区分两类在乳腺X线摄影表现上非常相似的病变,而非简单的良性/恶性分类。合成病变的开发在纳入未来研究之前应经过临床验证。尽管如此,为避免因数据集规模较小而产生任何潜在偏倚,本研究采用交叉验证来评估模型在不同图像集上的性能。所获得的结果不仅各项指标值非常高,而且离散度指标值非常小(见表2)。这些结果增强了模型稳健性和泛化能力的可信度。另一个局限性是所采用的可解释性方法相对简单,未来工作应侧重于提高模型的可解释性,为临床医生提供更多有价值的信息,而不仅仅是一张独立的热图。未来引入诸如SHapley加性解释(SHAP)等技术,有助于更好地解释模型,因为它能让使用者了解哪些特征对分类产生了正向或负向影响。尽管如此,我们的GRAD-CAM方法生成的显著图已经为提高模型的可解释性做出了重要贡献。模型不仅向使用者给出最终分类,还为每个实例提供显著图,指示图像中哪些区域对分类有贡献。这促进了对模型的更好理解,并提高了人工智能的可信度。
本研究的另一个重要局限性是乳腺X线片的评估仅依赖一位放射科医生。尽管参与的放射科医生拥有多年经验并定期阅片,但这种方式未考虑观察者间变异性。由于培训背景、阅片风格和工作年限的不同,放射科医生对病变分类的判断可能存在差异。仅由一位放射科医生评估病变并与模型进行比较,可能导致对模型相对于临床医生能力的过高估计。此外,该放射科医生无法获取既往乳腺X线片,可能进一步导致临床诊断表现相对于AI模型被低估。获取既往检查对于发现细微的时序变化和做出更准确的诊断评估至关重要。未来研究中纳入多位放射科医生将能对乳腺X线片进行更稳健的临床评估,消除分类中的个体偏倚,并允许与所开发的AI模型进行更公平的比较。
在将乳腺X线图像输入模型之前需要先定义感兴趣区(ROI),这可以被视为本研究的一个局限性,因为这会增加放射科医生的工作负担。然而,所提出的任务并不仅仅是分析一张乳腺X线图像并判断病灶是良性还是恶性——这通常是筛查场景中的主要关注点。本文提出的任务更为具体,涉及的是对两种通常具有相同乳腺X线表现的病变类型进行区分。鉴于在真实世界场景中,该模型将在临床医生发现病灶之后应用,并作为鉴别诊断的第二意见。
尽管存在这些局限性,所开发的模型展示了人工智能在区分三阴性乳腺癌(TNBC)与良性病变方面的潜力,可作为一种辅助工具,以提高诊断准确性并减轻乳腺癌的负担。此外,该模型在辅助处于临床职业生涯早期阶段、可能缺乏自信解读更具挑战性病例经验的初级放射科医生方面,具有特别的价值。
结论
本研究提出了一个卷积神经网络(CNN)模型,用于在乳腺X线图像中区分三阴性乳腺癌与良性病变。该模型表现出较高的敏感性和特异性,表明其具有较强识别恶性和良性病例的能力。流程中纳入了可解释性方法,用于支持用户理解模型在预测时使用了乳腺X线图像中的哪些信息。未来工作应着眼于克服上述局限性:使用整幅乳腺X线图像而非ROI、在实例绝对数量和变异性方面增加数据,以及探索更深层的可解释性方法。
引用
- Mendes, Mota, Teixeira, et al. AI calls the bluff: differentiating benign lesions from triple-negative breast cancer cases. Radiol Med. 2026. PMID: 41493732. doi:10.1007/s11547-025-02157-x
- 全文:PMC13102885(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13102885/
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。