基于人工智能诊断支持软件检出乳腺X线隐匿性乳腺癌的临床与组织病理学特征
回顾性分析2017年1月至2019年9月本院数据库1890例乳腺癌患者,其中6.8%(128/1890)为乳腺X线隐匿性乳腺癌;AI软件在阈值10下正确标记31.3%(40/128)为「AI检出癌」,这些癌多见于致密乳腺、无症状、年轻患者,且更常伴腋窝淋巴结转移并接受新辅助化疗和乳房切除术。
要点
- 乳腺X线隐匿性乳腺癌占全部乳腺癌6.8%(128/1890),AI软件在阈值10下可正确标记其中31.3%(40/128)。
- AI检出癌中97.5%位于不均匀致密型或极度致密型乳腺,52.5%无症状,86.5%为浸润性癌。
- AI检出癌较未检出癌更常见于年轻患者、伴腋窝淋巴结转移,更常接受新辅助化疗和乳房切除术(均p<0.05)。
核心结论
- AI诊断支持软件可能为乳腺X线隐匿性乳腺癌的检出提供附加价值。
- AI检出癌多位于致密乳腺,且较未检出癌更常见于年轻患者、伴腋窝淋巴结转移并需要更强化治疗。
研究设计与样本
- 回顾性研究,回顾本院数据库2017年1月至2019年9月5480例经超声引导活检病理确诊的乳腺癌患者,最终纳入1890例。
- 由6名至少7年经验的乳腺专科放射科医师单读判定128例为乳腺X线隐匿性乳腺癌。
- 使用基于深度卷积神经网络的AI诊断支持软件Lunit INSIGHT MMG version 1.1.1.0分析四视图全视野数字乳腺X线摄影,恶性肿瘤评分范围0–100,阈值>10为阳性。
- AI热点与超声、MRI及病理报告比对确认是否正确标记病灶,正确标记者归为「AI检出癌」,其余归为「未检出癌」。
关键影像表现/征象
- AI软件在至少一个标准视图给出阳性结果者占38.3%(49/128),其中81.6%(40/49)标记位置正确,18.4%(9/49)为错误位置的高恶性评分。
- AI检出癌的平均恶性评分为53.6(标准差24.1;范围11.2–94.7)。
- 假阳性病例中热点位于不对称腺体组织者占44.4%(4/9)、灰度设置错误视图者占22.2%(2/9)、肿大转移淋巴结者占11.1%(1/9)、正常腺体组织且原因不明者占22.2%(2/9)。
- AI检出癌中70.0%(28/40)为极度致密乳腺,27.5%(11/40)为不均匀致密乳腺,仅2.5%(1/40)为散在纤维腺体组织。
- AI检出癌最常见位于双乳外上象限(52.5%;21/40),超声测量平均大小17.0±10.0 mm(范围4–52 mm)。
诊断标准与关键数值
- AI软件恶性肿瘤评分0–100,>10为阳性阈值,该阈值在软件开发调优数据集中达到90%敏感度。
- 阈值10时,AI软件正确检出31.3%(40/128)的乳腺X线隐匿性乳腺癌,占全部乳腺癌的2.1%(40/1890)。
- 阈值降至2时,可正确检出39.1%的乳腺X线隐匿性乳腺癌;恶性评分≤2时热图几乎无法辨认,无法计算AI检出癌比例。
- 阈值53.3时,15.6%的乳腺X线隐匿性乳腺癌可被AI软件检出。
临床应用与阅片要点
- AI软件可用于辅助识别乳腺X线片上被人眼遗漏的病灶,尤其在不均匀致密型或极度致密型乳腺中。
- AI报告的热点需与超声、MRI及病理结果比对确认位置是否正确,避免将不对称腺体组织或肿大淋巴结误判为乳腺病灶。
- 图像灰度设置错误可导致AI热点假阳性,阅片时需注意图像质量对AI分析的影响。
局限性
- 结果来自单中心数据且仅包含癌症阳性乳腺X线片,需对普通人群筛查乳腺X线摄影进行前瞻性研究以获得更可推广的结果。
- 有真空辅助活检或乳腺手术史的患者被排除,因为活检后或术后改变如结构扭曲可能干扰AI分析,需进一步研究评估术后或活检后改变对AI分析的影响。
- 本研究的AI软件未将既往乳腺X线片纳入分析,需进一步研究探索利用更广泛信息的AI软件以提高分析质量。
- 需进一步前瞻性筛查队列研究验证AI诊断支持软件的临床适用性。
全文中译10 节 · 点击展开
要点
基于大规模图像数据库的人工智能算法可能识别出人眼通常难以察觉的肿瘤征象。
人工智能软件能够正确检测出31.3%的乳腺X线摄影隐匿性乳腺癌(“AI检出癌症”)。
AI检出的癌症大多发现于致密型乳腺。
在本研究数据中,与未被检出的癌症相比,AI检出的癌症更常见于年轻患者,伴有腋窝淋巴结转移,且需要更密集的治疗。
背景
乳腺X线摄影是许多国家广泛使用的乳腺癌筛查工具,在降低乳腺癌相关死亡率方面有效[1–4]。然而,其敏感性有限,乳腺X线摄影隐匿性乳腺癌的患病率为9%至30%[5–9]。传统的计算机辅助检测(CAD)系统自20世纪90年代以来被开发用于自动检测和分类乳腺X线摄影中的乳腺病变,可标记密度增高灶和微钙化。然而,CAD系统未能显示筛查性能或成本效益的显著改善,主要原因是大量的假阳性发现[1, 4, 9–11]。
随着人工智能(AI)算法的最新进展,其在放射学中的应用引起了广泛关注,这主要基于可被计算机轻松处理和分析的图像数据[4, 12–15]。在乳腺影像方面,既往研究发现AI算法对乳腺癌的检测具有高敏感性和特异性[1, 4, 9, 10, 16–19];此外,AI算法提高了放射科医师的癌症检出率[9, 20],并通过降低假阳性和假阴性判读率,达到了优于无AI辅助的放射科医师的性能水平[1, 9, 21]。此外,AI算法在不降低性能的情况下显著减少了放射科医师的工作量[3, 21–23],并显示出免除双重阅片的潜力[21]。
考虑到AI算法基于从大规模图像数据中提取的影像生物标志物,而非传统的人工设计的乳腺癌特征,我们推测AI算法可能识别出人眼通常难以察觉的肿瘤征象[10]。然而,仅有少数研究关注AI算法在检测乳腺X线摄影隐匿性乳腺癌方面的性能。一项研究通过比较乳腺X线摄影层面上临床评估与AI评估的特异性,评估了AI算法在减少假阴性判读方面的有效性,但未考虑AI算法中假阳性评估的可能性(即在错误区域产生高恶性评分)[3, 21]。
本研究旨在评估基于AI的诊断支持软件在检测乳腺X线摄影隐匿性乳腺癌中的附加价值(考虑正确定位),并确定可被AI软件额外检出的乳腺X线摄影隐匿性乳腺癌的临床和病理模式。
方法
研究人群
机构审查委员会批准了这项回顾性研究,并豁免了使用匿名患者数据所需知情患者同意的要求。
通过回顾性审查我们的机构数据库,我们确定了5480例在2017年1月至2019年9月期间在筛查或诊断环境中通过超声(US)引导下活检病理确诊为乳腺癌的患者。其中,我们排除了3590例仅在其他机构进行乳腺X线摄影的患者(由于图像质量不一致)以及有乳腺手术或真空辅助乳腺活检史的患者。在剩余的1890例患者中,根据六位具有至少7年经验的乳腺专科放射科医生之一的单次阅片,128例被确定在乳腺X线摄影上无可见的乳腺癌证据(即乳腺X线摄影隐匿性乳腺癌)。这些阅片者获得了患者的临床信息,以及既往乳腺X线摄影和其他影像学检查的结果(如有)。
乳腺X线摄影结果使用Lunit INSIGHT MMG 1.1.1.0版(Lunit公司)进行分析,该软件是一种基于人工智能(AI)的诊断支持软件,用于在乳腺X线摄影中检测乳腺癌。对于在四个标准体位(即左右头尾位[CC]和内外斜位[MLO])中至少一个体位AI分析结果为恶性阳性的病例,由一位放射科医生(HJK)将AI软件标记的恶性可疑度最高的位置(即热点)与超声和磁共振成像(MRI)结果以及病理报告进行比较,以确认AI软件是否正确检测到恶性病变。结果,只有那些AI软件在乳腺X线摄影上正确标记了乳腺癌位置的病例被归类为“AI检出癌症”,而其余病例被归类为“未检出癌症”。
人工智能软件
本研究使用的AI软件(Lunit INSIGHT MMG)基于深度卷积神经网络开发,使用来自韩国(2004年1月—2016年12月)、美国(2000年1月—2018年12月)和英国(2010年1月—2018年12月)五家机构的36468例乳腺癌病例和133762例健康对照的170230张乳腺X线摄影图像进行训练,使用的设备来自Siemens Healthineers、Hologic公司和GE Healthcare [9]。用于软件开发的数据与用于本分析的数据之间无重叠。
AI软件使用来自三家不同厂商之一(Siemens Healthineers;Hologic公司;GE Healthcare)的设备获得的四体位全视野数字乳腺X线摄影图像进行分析。该软件以像素级恶性评分(以彩色编码热图形式呈现)以及代表性恶性评分(即像素级评分的最大值)的形式提供每张乳腺X线摄影图像(即四个标准体位之一)的结果。恶性评分0—100代表可疑程度,其中100代表恶性可疑度最高。在四个标准体位中至少一个体位恶性评分高于10的病例被视为恶性阳性结果,该截断值在用于AI软件开发的调优数据集中达到了90%的灵敏度 [9]。除基于单一截断值的分析外,还评估了不同截断值下AI检出癌症比例的变化。AI软件在分析时未考虑既往乳腺X线摄影图像。
病理分析
回顾手术标本的最终组织病理学结果,以确定组织学类型、核分级、组织学分级、基于雌激素受体(ER)、孕激素受体(PR)、人表皮生长因子受体(HER)-2和Ki-67增殖指数的免疫组化染色的分子亚型、浸润性肿瘤大小及腋窝淋巴结状态。对于3例未在本机构接受手术的患者,改用活检标本的组织病理学结果。
统计分析
统计分析使用IBM SPSS Statistics for Windows第23版(IBM Corp.,Armonk,NY,USA)进行。为识别AI检出癌症与未检出癌症在临床和病理特征方面的差异,分类变量采用Pearson卡方检验或Fisher精确检验,连续变量采用Mann–Whitney U检验。所有统计检验均为双尾检验,p值小于0.05被认为具有统计学意义。
结果
AI软件在乳腺X线摄影隐匿性乳腺癌检出中的性能
在我们的研究病例中,乳腺X线摄影隐匿性乳腺癌占全部乳腺癌的6.8%(128/1890)。在截断值为10时,AI软件在四个标准体位(即左右CC和MLO)中至少一个体位对38.3%(49/128)的乳腺X线摄影隐匿性乳腺癌显示恶性阳性结果。其中,81.6%(40/49)被AI软件标记在正确位置,而其余18.4%(9/49)在错误位置具有高恶性评分。因此,在该截断值下,AI软件检出了31.3%(40/128)的乳腺X线摄影隐匿性乳腺癌,基于乳腺X线摄影判读,全部乳腺癌的2.1%(40/1890)仅可被AI软件检出。128例乳腺X线摄影隐匿性乳腺癌的AI分析结果总结于图1和表1。
不同截断值下128例乳腺X线摄影隐匿性乳腺癌中AI检出癌症的比例以恶性评分直方图描述于图2。值得注意的是,彩色编码热图上的热点在较低恶性评分时变得不那么显著,在恶性评分≤2时几乎无法辨认;换言之,对于四个标准体位中最高恶性评分小于2的病例,无法计算AI检出癌症的比例。当截断值设为2时,39.1%的乳腺X线摄影隐匿性乳腺癌可被AI软件正确检出。
根据AI分析结果,乳腺X线摄影隐匿性乳腺癌的临床和病理特征
在40例人工智能检测出的乳腺癌患者中(年龄均值±标准差[SD]为43.6±9.8岁;范围25–66岁),平均恶性评分为53.6(SD 24.1;范围11.2–94.7)。其中,52.5%(21/40)无症状,经筛查超声诊断,而47.5%(19/40)乳房可触及肿块。4例患者有乳腺癌家族史。大多数患者为致密型乳腺,70.0%(28/40)为极度致密型乳腺,27.5%(11/40)为不均匀致密型乳腺,仅2.5%(1/40)为散在纤维腺体组织。肿瘤在双侧乳房中分布几乎均匀,人工智能检测出的肿瘤最常见位置为双侧乳房外上象限(UOQ)(52.5%;21/40)。超声测量的肿瘤平均大小为17.0±10.0 mm(范围4–52 mm)。33例患者进行了乳腺磁共振成像(MRI),其中除1例外所有肿瘤均可检出。
关于人工智能检测出的乳腺癌的组织学类型,导管癌占85%(34/40),小叶癌占10%(4/40),黏液癌占2.5%(1/40),腺样囊性癌占2.5%(1/40)。核分级和组织学分级为1或2级的患者分别占82.5%(33/40)和81.1%(30/37)。38例有人工智能检测出的乳腺癌患者具有可用的免疫组化特征,其分子亚型为Luminal A型55.3%(21/38)、Luminal B型23.7%(9/38)、HER-2阳性10.5%(4/38)和三阴性10.5%(4/38)。
在37例于本中心接受治疗的患者中,32.4%(12/37)接受了新辅助化疗,56.8%(21/37)接受了乳房切除术,其余患者接受了保乳手术。浸润性癌占91.9%(34/37),其余(8.1%[3/37])为导管原位癌,16.2%(6/37)的病例手术标本出现了组织学升级。未接受新辅助化疗的浸润性肿瘤平均大小为12.7±14.1 mm(范围3–75)。29.7%(11/37)的患者存在腋窝淋巴结转移。人工智能检测出癌症的示例病例见图3、4、5和6。
人工智能检测出癌症的患者平均年龄显著低于未检测出癌症的患者(p < 0.001)。与未检测出癌症的患者相比,人工智能检测出癌症的患者更可能有症状,且超声测量的肿瘤大小更大(均p = 0.001)。在治疗方面,与未检测出癌症相比,人工智能检测出的癌症更可能接受新辅助化疗以及乳房切除术而非保乳手术(均p < 0.001)。人工智能检测出的癌症更可能为浸润性癌(p = 0.04),且腋窝淋巴结转移的可能性更高(p = 0.003)。相反,人工智能检测出癌症的患者与未检测出癌症的患者在家族史、乳腺X线摄影乳腺密度、病灶位置、MRI可检出性、核分级和组织学分级、分子亚型、组织学升级率、浸润性肿瘤大小以及淋巴血管侵犯方面无显著差异。128例乳腺X线摄影隐匿性乳腺癌的患者和肿瘤特征总结于表2。
讨论
在我们目前的分析中,AI软件识别了31.3%的乳腺X线摄影隐匿性乳腺癌,并基于乳腺X线摄影判读将癌症检出率提高了2.1%。AI检出乳腺癌的平均恶性评分为53.6(范围11.2–94.7)。一项近期使用与本研究所用相同AI软件的研究报道,恶性评分53.3是最高2%评分的 cutoff 值,在该 cutoff 值下推荐补充模态可将癌症检出率提高7.1% [3]。在本研究中,15.6%的乳腺X线摄影隐匿性癌症在 cutoff 评分为53.3时可被AI软件检出。
在 cutoff 评分为10时,显示高恶性评分但位于错误区域的假阳性病例比例为18.4%。在这些假阳性病例中,热点标记位于(1)不对称腺体组织(44.4%;4/9),(2)乳腺X线摄影四个视图之一中灰度被错误设置以增加整体亮度(22.2%;2/9),(3)增大的转移性淋巴结而非乳腺肿块(11.1%;1/9),以及(4)原因不可识别的正常腺体组织(22.2%;2/9)。这些假阳性病例可能不会成为使用AI软件的显著阻碍因素,考虑到对不对称腺体组织的错误判读也是放射科医生判读中的常见陷阱,且次优图像上的错误热点容易被排除。
本研究中发现的AI检出乳腺癌常见于致密乳腺。将AI软件应用于常规乳腺X线摄影可能使致密乳腺患者避免因补充工具诊断而承担额外风险、不适或时间。虽然一项研究报道,与人类读片者相比,AI软件对致密乳腺的敏感性和特异性较低 [24],但其他研究报道,AI软件的敏感性未受乳腺密度的显著影响 [9, 10]。此外,如我们的结果所提示,在AI辅助下,放射科医生在致密乳腺中的表现可能得到改善 [9]。
一项既往研究报道,AI在早期癌症检出方面表现出良好性能 [9]。同样,我们观察到,AI检出的乳腺癌包括78.4%(29/37)的T1期癌症和70.3%(26/37)的淋巴结阴性乳腺癌。此外,超过半数(52.5%;21/40)的AI检出乳腺癌见于无症状女性。这些发现提示AI软件在乳腺癌早期检出和改善患者结局方面的价值。另一方面,与未检出癌症相比,AI检出癌症更可能伴有腋窝淋巴结转移,且更可能需要新辅助化疗或乳房切除术等强化治疗。因此,AI软件检出的癌症往往需要紧急临床干预。
人工智能检测到的乳腺癌在不同组织学和分子亚型中的分布与一般乳腺癌报道的分布无显著差异[25–27]。这与McKinney等人的研究结果一致,其中人工智能检测到的癌症与放射科医生检测到的癌症在癌症类型分布上无显著差异[21]。在既往研究中,与导管原位癌(DCIS)相比,浸润性癌更可能在乳腺X线摄影中隐匿[5, 28],而大多数仅由人工智能软件检测到的癌症为浸润性癌[21]。另一项研究也表明,人工智能软件在浸润性癌中的敏感性高于DCIS[10]。在我们的研究中,人工智能检测到的癌症中DCIS的比例与近期统计报告中一般乳腺癌的DCIS比例相似[29]。
我们研究的重要优势在于,我们聚焦于人工智能软件在检测从大量患者中连续提取的乳腺X线摄影隐匿性乳腺癌方面的性能。此外,人工智能软件提供的结果经其他模态的影像学表现和病理报告验证,从而确认人工智能软件正确定位了癌症。
我们的研究存在若干局限性。第一,结果来自单中心数据,且仅包含癌症阳性的乳腺X线摄影。需要对一般人群筛查性乳腺X线摄影进行前瞻性研究,以获得更具普遍适用性的结果。第二,有真空辅助活检或乳腺手术史的患者被排除在研究之外,因为活检后或术后改变如结构扭曲可能干扰人工智能分析的结果。可能需要进一步研究来评估术后或活检后改变对人工智能分析的影响。第三,本研究中的AI软件在分析时未考虑既往乳腺X线摄影。因此,应在进一步研究中探讨利用放射科医生在乳腺X线摄影评估中通常依赖的更广泛信息的人工智能软件的实用性,以提高分析质量。
结论
我们的研究表明,基于人工智能的诊断支持软件可能为乳腺X线摄影隐匿性乳腺癌的检测提供附加价值。进一步针对筛查队列的前瞻性研究可能验证基于人工智能的诊断支持软件的临床适用性。
引用
- Kim HJ, Kim HH, Kim KH, et al. Mammographically occult breast cancers detected with AI-based diagnosis supporting software: clinical and histopathologic characteristics. Insights Imaging. 2022. PMID: 35347508. doi:10.1186/s13244-022-01183-x
- 全文:PMC8960489(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8960489/
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。