扩散加权成像在检测人工智能辅助乳腺X线摄影未能发现的乳腺癌中的附加价值

《La radiologia medica》：Added value of diffusion-weighted imaging in detecting breast cancer missed by artificial intelligence-based mammography

乳腺癌AI辅助诊断漏诊评估及扩散加权成像补充价值研究。回顾性纳入414例病理确诊乳腺癌患者，AI-CAD漏诊127例（30.7%），多因素分析显示致密乳腺（OR=1.619）和肿瘤≤2cm（OR=4.698）为独立预测因素。独立DWI检测敏感性达79.5%-83.5%，κ=0.61显示良好一致性，对 occult或>1cm肿瘤检测有效，但对亚厘米肿瘤敏感性下降。分隔符：

　　

摘要

目的

本研究旨在评估基于人工智能的计算机辅助诊断（AI-CAD）在新诊断的乳腺癌女性患者中漏诊的乳腺癌病例，识别与这些漏诊病例相关的因素，并评估独立使用扩散加权成像（DWI）在检测AI-CAD遗漏的癌症方面的潜在诊断价值。

材料与方法

这项回顾性研究纳入了414名（平均年龄55.3岁）经病理学确诊的乳腺癌患者，这些患者接受了术前乳腺X线摄影、带有DWI的磁共振成像（MRI）以及手术治疗。如果病变的异常评分大于10且被AI-CAD正确定位，则将该癌症归类为AI检测到的；否则，将其归类为AI漏诊的病例。比较了两组患者的临床病理学和影像学特征。两名放射科医生独立审查了AI漏诊癌症的DWI图像，并使用6点李克特量表（≥3分视为阳性）对恶性程度进行了评分。分析了观察者间的一致性和诊断性能。

结果

AI-CAD漏诊了414例乳腺癌中的127例（30.7%）。多变量回归分析表明，致密乳腺（调整后的OR=1.619；p=0.049）和肿瘤大小≤2厘米（调整后的OR=4.698；p<0.001）是AI漏诊癌症的独立预测因素。独立使用DWI时，第一位放射科医生检测出83.5%的AI漏诊癌症，第二位放射科医生检测出79.5%的AI漏诊癌症，两者之间具有较高的一致性（κ=0.61）。DWI在检测乳腺X线摄影难以发现的或直径大于1厘米的肿瘤方面效果显著，但对于亚厘米级病变的敏感性较低。

结论

独立使用DWI能够检测出大部分被AI-CAD漏诊的乳腺癌，这支持了其在基于AI的筛查中作为分诊辅助工具的潜在作用，尤其是在致密乳腺和乳腺X线摄影难以发现的病变情况下。然而，由于本研究为回顾性研究且仅关注癌症病例，其普遍适用性受到限制，因此需要开展前瞻性的多中心筛查试验来进行验证。