人工智能赋能乳腺超声筛查：优化活检策略提升诊断特异性

为提升乳腺超声筛查特异性，研究人员开展 AI 集成活检避免策略研究，显著提高特异性且不降低敏感性。

　　摘要：

• 目的：开发并测试集成人工智能（AI）的活检避免策略，以提高乳腺超声筛查（US）的特异性。
• 材料和方法：这项回顾性研究纳入了 2019 年 12 月至 2020 年 12 月（开发队列）以及 2020 年 6 月至 2020 年 12 月（外部验证队列）期间两所医院中，在乳腺超声筛查中发现有 BI-RADS 3、4a、4b、4c 或 5 级肿块的连续无症状女性。若存在多个病变，则分析最可疑的病变。采用逻辑回归方法制定集成 AI 的活检避免策略，即对于所有女性，若 AI 分类为 “双平面良性”，或对于年龄≤45 岁的女性，AI 分类为 “良恶性并存”，则将 BI-RADS 4a 级肿块降为 BI-RADS 3 级。计算两个队列的诊断性能指标，并与放射科医生的初始评估进行比较，采用 Wilcoxon 秩和检验评估敏感性的非劣效性（相对非劣效性界值为 5%），采用 McNemar 检验评估特异性。
• 结果：开发队列和外部验证队列分别包含 393 名女性（中位年龄 45 岁 [IQR，40 - 50 岁]），其中有 101 例恶性肿瘤，以及 166 名女性（中位年龄 47 岁 [IQR，42 - 51 岁]），其中有 31 例恶性肿瘤。所开发的策略将特异性从 53.3%（72/135；95% CI：45.0，62.1）提高到 80.7%（109/135；[95% CI：74.2，87.5]；p＜0.001），同时保持敏感性（均为 100% [31/31；95% CI：98.9，100]），并且在外部验证队列中，该策略可避免 61.7%（37/60 [95% CI：48.2，73.7]）的 BI-RADS 4a 级肿块的良性活检。
• 结论：整合两个正交平面的 AI 分类、年龄和 BI-RADS 分类的策略，在保持敏感性不降低的同时，提高了乳腺超声筛查的特异性。
• 要点：
  • 问题：如何整合 AI 病变分类、年龄和 BI-RADS 评估，有效减少乳腺超声筛查中的良性活检？
  • 发现：通过多变量逻辑回归整合 AI 分类、年龄和 BI-RADS 的策略，在乳腺超声筛查中提高了特异性，同时保持了非劣效性的敏感性。
  • 临床意义：两个正交平面的 AI 分类与患者年龄和 BI-RADS 分类的整合，显示出在不降低敏感性的情况下减少良性乳腺活检的潜力，有助于更高效的临床决策，减轻患者焦虑，并降低医疗资源的利用。