编辑推荐：
为解决乳腺超声图像中腺体组织成分（GTC）分类受观察者经验影响、一致性差的问题，研究人员开展了利用人工智能（AI）驱动的乳腺超声分析模型对 GTC 分类的研究。结果显示 ResNet101 模型可提升分类性能，有助于评估乳腺癌风险。
在当今医疗科技飞速发展的时代，乳腺癌的防治始终是全球关注的焦点。乳腺密度作为乳腺癌的独立风险因素，与乳腺癌的发生发展密切相关。其中，乳腺中的纤维腺体组织（FGT）包含纤维和腺体组织，在乳腺钼靶检查中，它们与乳腺癌病变密度相似，难以区分。然而，在超声图像里，纤维基质呈高回声，腺体组织呈低回声，二者可清晰辨别。研究表明，乳腺癌常起源于腺体组织内的小叶和终末导管，腺体组织量越多，患癌风险越高。因此，准确分类乳腺超声图像中的腺体组织成分（GTC），对于评估乳腺癌风险意义重大。
目前，GTC 分类主要依赖放射科医生的视觉评估，但这存在诸多问题。不同医生经验不同，评估结果差异大，尤其是经验不足和非乳腺专科的放射科医生，评估的可靠性和一致性较差。为了解决这些难题，杭州第一人民医院（西湖大学医学院附属医院）的研究人员开展了一项前瞻性研究。他们旨在训练 ResNet 模型辅助放射科医生对致密乳腺组织中的 GTC 进行分类，并验证 AI 辅助模型对不同放射科医生的分类有效性。该研究成果发表在《Scientific Reports》上。
研究人员在此次研究中运用了多种关键技术方法。首先，他们从 2226 名健康女性中筛选出 1848 名符合条件的受试者，构建样本队列。然后，使用多种超声设备采集超声图像，并以三位资深放射科医生的评估为金标准对图像进行标注。在此基础上，训练了 ResNet101 分类模型和 ResNet + 全卷积网络（FCN）分割模型，采用交叉熵损失函数、Adam 优化算法等进行模型训练，并利用受试者工作特征（ROC）曲线等评估模型性能 。
下面来看具体的研究结果：
- 参与者特征：1848 名参与者的平均年龄为 49±8 岁，不同绝经状态和乳腺钼靶密度的女性分布各异，GTC 在乳腺超声中的分布为 P1 占 18.89%、P2 占 32.68%、P3 占 28.84%、P4 占 19.59%。
- 金标准一致性分析：三位指定的金标准放射科医生对 GTC 分类结果一致性较高，Fleiss’ Kappa 值为 0.82。
- 模型内部验证：ResNet101 模型的准确率为 0.56，ResNet + FCN 模型为 0.44。ResNet101 模型在所有四类分类中的 AUC 均大于 ResNet + FCN 模型，平均 AUC 分别为 0.850 和 0.741，表明 ResNet101 模型性能更优。
- 模型外部验证：
- 不同组的敏感性：AI 系统辅助下，所有放射科医生对四类 GTC 的分类敏感性均提高。其中，乳腺专科医生对 P1、P2 和 P4 腺体类型分类敏感性显著提升；非乳腺专科医生对 P1 和 P2 腺体类型分类敏感性显著提高，但对 P3 和 P4 腺体类型，独立阅读组表现更好。
- 不同组的特异性：AI 辅助解释系统显著提高了 A 组放射科医生对 P3 腺体分类的特异性，以及 B 组放射科医生对 P3 和 P4 腺体分类的特异性。
- GTC 的阳性预测值（PPVs）：AI 辅助下，两组放射科医生对 GTC 分类的 PPVs 均显著增加。不同腺体分类中，不同组医生的 PPVs 变化存在差异。
在讨论部分，研究人员指出，ResNet101 分类模型在辅助 GTC 分类方面表现可靠。对于不同类型的 GTC，AI 辅助阅读在敏感性、特异性和 PPVs 上有不同表现。例如，对 P1 腺体分类，AI 辅助有助于提高敏感性和 PPVs；P2 腺体分类中，AI 辅助对非乳腺专科医生的敏感性和 PPVs 提升明显；P3 腺体分类中，AI 系统对 B 组住院和主治医生的阅片能力有一定提升；P4 腺体分类中，B 组非乳腺专科医生从 AI 辅助中获益更多 。
不过，该研究也存在一些局限性。研究基于单中心数据集，不同数据集可能导致结果不同，未来需用多中心数据集验证模型以提高其通用性。此外，研究仅针对二维静态超声图像，后续应开发基于容积超声或动态视频数据的 AI 辅助腺体分类模型。尽管如此，这项研究仍具有重要意义。ResNet101 分类模型能够增强所有放射科医生，尤其是非乳腺专科医生对 GTC 的分类能力，有助于识别致密乳腺组织且腺体组织含量高的女性，在乳腺癌潜在风险评估中发挥关键作用，为更及时有效的预防和诊断措施提供支持，推动了乳腺癌防治领域的发展。
