魯京慧 張宏艷 王亞娟 張楠

[摘要]目的利用人工智能技術(shù)輔助基層乳腺癌超聲篩查，為基層醫(yī)療數(shù)字化服務(wù)提供實(shí)證依據(jù)。方法收集 2019年3月至2021年3月在北京市朝陽(yáng)區(qū)安貞社區(qū)衛(wèi)生服務(wù)中心體檢及自2004年北京市兩癌篩查項(xiàng)目實(shí)施以來(lái)本單位的兩癌篩查的女性的乳腺超聲圖像，篩選出 BI-RADS 分級(jí)3級(jí)及以上的乳腺結(jié)節(jié)圖像271例，查找患者隨訪記錄，抽取60例上級(jí)醫(yī)院病理診斷為乳腺癌的圖像，60例由上級(jí)醫(yī)院病理確診的乳腺良性結(jié)節(jié)圖像。利用 Python（隨機(jī)不放回抽樣）隨機(jī)抽取50例乳腺癌及50例良性結(jié)節(jié)組成試驗(yàn)組，剩余的10例乳腺癌及良性乳腺結(jié)節(jié)10例組成測(cè)試組。標(biāo)記感興趣區(qū)（ROI）。提取并篩選圖像紋理特征。建立人工智能（AI）模型，其中包括支持向量機(jī)（SVM），隨機(jī)森林（RF），貝葉斯（NB），神經(jīng)網(wǎng)絡(luò)（NN），選擇樹(shù)（XGB）5種建模方法。利用 ROC 曲線評(píng)價(jià) AI 模型性能。比較 AI 模型之間的性能。結(jié)果試驗(yàn)組：5種模型（RF、SVM、NB、NN、XGB）性能的 ROC 曲線的 AUC 值（95%CI）分別為0.806（0.743～0.869），0.835（0.777～0.898），0.859（0.852～0.939），0.843（0.779～0.906），0.906（0.871～0.942）。NN 與 XGB 模型差異無(wú)統(tǒng)計(jì)學(xué)意義（P >0.05）， NN 與 XGB 性能明顯優(yōu)于其他3種 AI 模型，差異有統(tǒng)計(jì)學(xué)意義（P <0.05）。測(cè)試組：5種模型（RF、SVM、NB、NN、XGB）性能的 ROC 曲線的AUC 值（95%CI）分別為0.973（0.912～1.000），0.867（0.689～1.000），0.880（0.726～1.000），0.893（0.751～1.000），0.960（0.875～1.000）。5種 AI模型性能兩兩相互比較，差異無(wú)統(tǒng)計(jì)學(xué)意義（P >0.05）。結(jié)論5種 AI 模型均可輔助乳腺癌超聲篩查。其中 NN 及 XGB 性能較為突出，可輔助超聲診斷乳腺癌。

[關(guān)鍵詞]超聲;人工智能;乳腺癌;紋理特征;數(shù)字醫(yī)療

[中圖分類號(hào)] R445.1? [文獻(xiàn)標(biāo)識(shí)碼] A? ?[文章編號(hào)]2095-0616（2022）07-0163-05

Comparison of five artificial intelligence technologies in the ultrasonic screening of breast cancer at the grass-roots level

LU? Jinghui1????? ZHANG? Hongyan2????? WANG? Yajuan3????? ZHANG? Nan1

1. Department of General Medicine， Anzhen Community Health Service Center， Chaoyang District， Beijing 100011， China;2. Department of Ultrasound， Anzhen Community Health Service Center， Chaoyang District ， Beijing 100011， China;3. Department of Maternal and Child Health Care， Anzhen Community Health Service Center， Chaoyang District， Beijing 100011， China

[Abstract] Objective To utilize artificial intelligence technology to assist the ultrasonic screening of breast cancer at the grass-roots level， and provide empirical evidence for medical digital service at the grass-roots level. Methods The breast ultrasound images of women who underwent physical examination in Chaoyang District Anzhen Community Health Service Center in Beijing from March 2019 to March 2021 and received two-cancer screening in our unit since the implementation of the two-cancer screening project in Beijing in 2004 were collected.271 breast node images rated as Breast Imaging Reporting and Data System （BI-RADS） category 3 and above were screened out， the follow-up records of patients were searched， and 60 images showing breast cancer pathologically diagnosed in higher-level hospitals and 60 images showing benign breast nodules pathologically diagnosed in higher-level hospitals were selected. By Python （random sampling without replacement）， 50 cases of breast cancer and 50 cases of benign nodules were randomly selected and allocated to the experimental group. The remaining 10 cases of breast cancer and 10 cases of benign breast nodules were composed of the test group. The region of interest （ROI）was marked. Image texture features were extracted and screened out. Artificial intelligence （AI） models were established， covering five modeling methods： Support Vector Machine （SVM）， Random Forest （RF）， Na?ve Bayes （NB）， Neural Network （NN） and eXtreme Gradient Boosting （XGB）. The Receiver Operator Characteristic （ROC） curve was used to evaluate the performance of AI models. The performance of various AI models was compared. Results With regard to the experimental group， the area under the curve （AUC） values （95%CI） of ROC curves indicating the performance of models established by five AI methods （RF， SVM， NB， NN and XGB in order） were respectively 0.806（0.743-0.869）， 0.835（0.777-0.898）， 0.859（0.852-0.939）， 0.843（0.779-0.906） and 0.906（0.871-0.942）. There was no statistically significant difference between NN and XGB models （P >0.05）. The performance of NN and XGB models was significantly better than that of the other three AI models， with a statistically significant difference （P <0.05）. With regard to the test group， the AUC values （95%CI） of ROC curves for testing the performance of five AI models （RF， SVM， NB， NN and XGB in order） were respectively 0.973（0.912-1.000）， 0.867（0.689-1.000）， 0.880（0.726-1.000）， 0.893（0.751-1.000） and 0.960（0.875-1.000）. The performances of the five AI models were compared with each other， and the difference was not statistically significant （P >0.05）. Conclusion All 5 AI models can assist the ultrasonic screening of breast cancer. The performance of NN and XGB models is outstanding， which can assist ultrasonic diagnosis of breast cancer.

[Key words] Ultrasound; Artificial intelligence; Breast cancer; Texture features; Digital medical treatment

根據(jù)《中共中央關(guān)于制定國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展第十四個(gè)五年規(guī)劃和二〇三五年遠(yuǎn)景目標(biāo)的建議》中提出完善基層醫(yī)療體系建設(shè)，提高基層醫(yī)療服務(wù)質(zhì)量及加快數(shù)字化發(fā)展等建議[1]，將數(shù)字技術(shù)應(yīng)用于基層醫(yī)療中來(lái)提高基層的醫(yī)療水平成為基層醫(yī)療的一個(gè)研究議題。2017年7月，國(guó)務(wù)院發(fā)布了《新一代人工智能發(fā)展規(guī)劃》（簡(jiǎn)稱《規(guī)劃》）[2]，在規(guī)劃的指導(dǎo)下，醫(yī)療是中國(guó)人工智能戰(zhàn)略的重要領(lǐng)域。2019年1月1日起根據(jù)《北京市婦女聯(lián)合會(huì)關(guān)于優(yōu)化整合北京市兩癌篩查和長(zhǎng)效體檢工作的通知》文件內(nèi)容[3]，北京地區(qū)女性進(jìn)行免費(fèi)乳腺癌篩查。

乳腺癌居中國(guó)女性惡性腫瘤的首位，乳腺癌已成為城市中病死率增長(zhǎng)最快的癌癥[4]。早期乳腺癌的生存率明顯高于中晚期乳腺癌，乳腺癌早發(fā)現(xiàn)早治療成為降低病死率的關(guān)鍵。乳腺超聲檢查由于其廉價(jià)，便攜及無(wú)射線等特點(diǎn)，成為篩查早期乳腺癌的重要手段。研究顯示乳腺超聲準(zhǔn)確率為79.8%～94.35%[5-7]，超聲診斷的準(zhǔn)確率嚴(yán)重依賴于操作者的經(jīng)驗(yàn)及技術(shù)水平。但是基層超聲醫(yī)師技術(shù)參差不齊，所以乳腺超聲準(zhǔn)確率并不高。近年來(lái)新興的人工智能技術(shù)提高了很多診斷方法的準(zhǔn)確率并且減少操作者之間的差異[8-9]。利用 AI 技術(shù)可以規(guī)避操作者帶來(lái)的差異，短時(shí)間內(nèi)提高初學(xué)者乳腺超聲的準(zhǔn)確率。

1資料與方法

1.1 一般資料

收集2019年3月至2021年3月在北京市朝陽(yáng)區(qū)安貞社區(qū)衛(wèi)生服務(wù)中心體檢及自2004年北京市兩癌篩查項(xiàng)目實(shí)施以來(lái)本單位兩癌篩查的女性的乳腺超聲圖像。納入標(biāo)準(zhǔn)：乳腺結(jié)節(jié)圖像 BI-RADS 分級(jí)3級(jí)及以上。排除標(biāo)準(zhǔn)：既往診斷為乳腺癌。共篩選出符合條件的圖像271例。查找患者隨訪記錄，取60例上級(jí)醫(yī)院病理診斷為乳腺癌超聲圖像，60例由上級(jí)醫(yī)院病理確診的乳腺良性結(jié)節(jié)圖像。利用 Python（隨機(jī)不放回抽樣）隨機(jī)抽取50例乳腺癌及50例良性結(jié)節(jié)組成試驗(yàn)組，剩余的10例乳腺癌及良性乳腺結(jié)節(jié)10例組成測(cè)試組。試驗(yàn)組入組患者均為女性，年齡31～86歲，平均（59.0±10.4）歲。測(cè)試組入組患者均為女性，年齡41～78歲，平均（61.0±8.9）歲。

1.2 方法

利用 Image J（fiji）圖片處理軟件處理原始圖片，標(biāo)記感興趣區(qū)（region of interest， ROI）。利用 Python 提取圖像紋理特征。利用 Python 篩選有價(jià)值的紋理特征并建立人工智能（artificial intelligence， AI）模型，利用哈佛大學(xué)3DQI 實(shí)驗(yàn)室平臺(tái)軟件建立 AI 模型，其中包括支持向量機(jī)（support vector machine， SVM），隨機(jī)森林（random forest， RF），貝葉斯（Na?ve Bayes， NB），神經(jīng)網(wǎng)絡(luò)（neural network， NN），選擇樹(shù)（extreme gradient boosting， XGB）5種常用的建模方法。見(jiàn)圖1。

1.3 觀察指標(biāo)

利用 BORUTA 算法進(jìn)行重要特征篩選，利用受試者工作特征曲線（receiver operator characteristic? curve， ROC）的曲線下面積（area under the curve， AUC）值、敏感度、特異度、精確度評(píng)價(jià) AI 模型性能。敏感度=TP/（TP+FN），特異度=TN/（TN+FP），精確度=TP/（TP+FP）。真陽(yáng)性（true positive， TP）;假陽(yáng)性（false positive， FP）;真陰性（true negative， TN）;假陰性（false negative， FN）。

1.4 統(tǒng)計(jì)學(xué)方法

應(yīng)用Medcalc（V20.0.3）統(tǒng)計(jì)學(xué)軟件進(jìn)行數(shù)據(jù)分析，計(jì)量資料用均數(shù)±標(biāo)準(zhǔn)差（x ± s）表示，采用 t 檢驗(yàn)，利用 Mann-Whitney U 秩和檢驗(yàn)方法比較 AI 模型之間的性能， P <0.05為差異有統(tǒng)計(jì)學(xué)意義。

2結(jié)果

2.1 篩選重要特征

試驗(yàn)組提取的重要乳腺癌紋理特征分別是： Height、MinFeret、Minor、Area、FeretAngle、Perim。見(jiàn)圖2。

2.2? 試驗(yàn)組模型性能及相互比較

試驗(yàn)組 RF、SVM、NB、NN、XGB 模型性能的 ROC 曲線的 AUC 值（95%CI）分別為：0.806（0.743～0.869），0.838（0.777～0.898），0.843（0.852～0.939），0.895（0.779～0.906），0.906（0.871～0.942），見(jiàn)表1。5種 AI 模型性能兩兩相互比較，NN 模型的 AUC 值小于 XGB 模型，差異無(wú)統(tǒng)計(jì)學(xué)意義（P >0.05）。N N模型的 AUC 值大于 RF 、SVM 和NB 模型，差異有統(tǒng)計(jì)學(xué)意義（ P <0.05）; XGB 模型的 AUC 值大于 RF、SVM 和 NB 模型，差異有統(tǒng)計(jì)學(xué)意義（P <0.05），見(jiàn)表2。

2.3? 測(cè)試組模型性能及相互比較

測(cè)試組 RF、SVM、NB、NN、XGB 性能的 ROC 曲線的 AUC 值（95%CI）分別為：0.973（0.912～1.000），0.867（0.689～1.000），0.880（0.751～1.000），0.893（0.726～1.000），0.960（0.875～1.000），見(jiàn)表3。AUC 值由高至低分別為 RF、XGB、NN、NB、SVM，兩兩相互比較，差異無(wú)統(tǒng)計(jì)學(xué)意義（P >0.05），見(jiàn)表4。

3討論

本研究篩選出特征均來(lái)自一階紋理特征，表明形態(tài)特征仍然是 AI 模型中判斷乳腺腫瘤良惡性的重要特征。形態(tài)特征很容易被人眼識(shí)別，所以也從側(cè)面印證經(jīng)過(guò)長(zhǎng)時(shí)間嚴(yán)格訓(xùn)練的超聲醫(yī)師裸眼判斷腫瘤性質(zhì)準(zhǔn)確率可以在90%以上[12]。

目前 AI 技術(shù)輔助乳腺超聲的臨床研究往往只應(yīng)用1種 AI 算法或者是1家公司的 AI 輔助診斷系統(tǒng)[13-16]，雖然結(jié)果都可以提高乳腺超聲診斷的準(zhǔn)確性，但缺乏不同方法間的對(duì)比，本試驗(yàn)應(yīng)用5種 AI 方法建立模型，期待能選出較為適合乳腺超聲的 AI 模型。在本研究中5種 AI 模型的 AUC 值均大于0.75，均可在臨床上作為篩查的方法，其中 NN 及 XGB 模型表現(xiàn)較為優(yōu)異，其 AUC 值均大于0.85，敏感度、特異度及精確度均大于0.70，證明這兩種模型性能優(yōu)良，可以作為診斷技術(shù)應(yīng)用于臨床。

在5種 AI 模型中選擇出 NN 及 XGB 模型，與其他類似的研究結(jié)果大致相同[17-19]。對(duì)于小樣本的試驗(yàn) XGB 技術(shù)性能更為突出，本試驗(yàn)也符合這一特點(diǎn)[20]。

本研究測(cè)試測(cè)試組模型性能，所有模型均表現(xiàn)良好，但并未顯示出試驗(yàn)組顯示的差異?？赡苁怯捎谝韵略颍菏紫葴y(cè)試組樣本量少，測(cè)試組與試驗(yàn)組數(shù)據(jù)源自同一中心，試驗(yàn)數(shù)據(jù)同質(zhì)性高，導(dǎo)致性能表現(xiàn)良好。其次測(cè)試數(shù)據(jù)樣本量少，無(wú)法體現(xiàn)不同方法之間的差異。

本研究存在以下不足，首先是樣本量有限，在以后的研究中不斷充實(shí)數(shù)據(jù)，可改善因數(shù)據(jù)不足導(dǎo)致的缺陷，如過(guò)擬合、數(shù)據(jù)偏倚等問(wèn)題。其次單中心研究重復(fù)性差，以后的研究中我們會(huì)加入圖形正態(tài)化模塊，適用于更多中心的圖片分析。最后本研究還沒(méi)有整合成單個(gè)獨(dú)立的運(yùn)行平臺(tái)，需要應(yīng)用多家的軟件完成此項(xiàng)工作，在后續(xù)的研究中，我們也會(huì)致力于運(yùn)行平臺(tái)建設(shè)，方便臨床醫(yī)生操作及應(yīng)用。

[參考文獻(xiàn)]

[1]中共中央關(guān)于制定國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展第十四個(gè)五年規(guī)劃和二〇三五年遠(yuǎn)景目標(biāo)的建議[C].中國(guó)企業(yè)改革發(fā)展2020藍(lán)皮書(shū)，2020：371-386.

[2] 《新一代人工智能發(fā)展規(guī)劃》[J].科技導(dǎo)報(bào)，2018，36（17）：113.

[3]北京市衛(wèi)生和計(jì)劃生育委員會(huì)，北京市財(cái)政局，北京市總工會(huì)，北京市婦女聯(lián)合會(huì)關(guān)于優(yōu)化整合北京市兩癌篩查和長(zhǎng)效體檢工作的通知[J].北京市人民政府公報(bào)，2018（31）：68-77.

[4]商木巖，郭帥，張強(qiáng)，等.中國(guó)乳腺癌篩查現(xiàn)狀[J].實(shí)用癌癥雜志，2020，35（11）：1911-1914.

[5]朱德倉(cāng).B 超及鉬靶 X 線在乳腺疾病診斷中的對(duì)比分析[J].影像研究與醫(yī)學(xué)應(yīng)用，2020，4（16）：48-49.

[6]吐那依木·依克木.乳腺 B 超鑒別乳腺癌的能力分析[J].影像研究與醫(yī)學(xué)應(yīng)用，2020，4（7）：223-224.

[7]彭苑嫻.B 超在診斷乳腺占位性病變中的診斷價(jià)值[J].黑龍江醫(yī)藥，2020，33（1）：183-185.

[8]徐可文，許波，吳英，等.機(jī)器學(xué)習(xí)在超聲圖像中的應(yīng)用綜述[J].計(jì)算機(jī)工程與應(yīng)用，2021，57（4）：11-17.

[9]馬夢(mèng)偉，秦耿耿，徐維敏，等.基于 X 線及超聲乳腺影像報(bào)告和數(shù)據(jù)系統(tǒng)構(gòu)建機(jī)器學(xué)習(xí)模型預(yù)測(cè)乳腺癌分子分型[J].中國(guó)醫(yī)學(xué)影像技術(shù)，2020，36（12）：1814-1819.

[10]王慧珠，苑婉茹，王新霞，等.規(guī)培醫(yī)生應(yīng)用醫(yī)學(xué)影像 AI 輔助診斷乳腺腫塊及使用意愿調(diào)查研究[J].現(xiàn)代醫(yī)藥衛(wèi)生，2021，37（10）：1755-1757.

[11] Jeongmin Lee，Sanghee Kim，Bong Joo，et al.Evaluation of the effect of computer aided diagnosis system on breast ultrasound for inexperienced radiologists in describing and determining breast lesions[J].Medical Ultrasonography，2019，21（3）：239-245.

[12]臧愛(ài)華，姜明，孟聰，等.人工智能系統(tǒng)評(píng)估 BI-RADS 4類乳腺腫塊的應(yīng)用價(jià)值[J].中華醫(yī)學(xué)超聲雜志（電子版），2021，18（8）：795-799.

[13]呂明慧，周帥，朱強(qiáng).基于深度學(xué)習(xí)乳腺超聲計(jì)算機(jī)輔助診斷系統(tǒng)研究進(jìn)展[J].中國(guó)醫(yī)學(xué)影像技術(shù)，2020，36（11）：1722-1725.

[14]楊意，姜偉.超聲新技術(shù)在乳腺良惡性病變?cè)\斷中的應(yīng)用進(jìn)展 [J]. 腫瘤預(yù)防與治療，2020，33（11）：894-900.

[15] 趙添羽，苗術(shù)，李靖宇，等 . 乳腺腫瘤超聲圖像識(shí)別模式分類方法的對(duì)比研究 [J]. 影像研究與醫(yī)學(xué)應(yīng)用，2021，5（8）：56-57.

[16] 李林翰 . 基于圖神經(jīng)網(wǎng)絡(luò)的乳腺超聲圖像小樣本分類和生成研究 [D]. 成都：四川大學(xué)，2021：1-63.

[17] Zhou BY，Wang LF，Yin HH，et al.Decoding the molecular subtypes of breast cancer seen on multimodal ultrasound images using an assembled convolutional neural network model： A prospective and multicentre study[J].EBioMedicine，2021，74：103684.

[18] Hoyt K，Warram JM，Umphrey H，et al.Determination of Breast Cancer Response to Bevacizumab Therapy Using Contrast-Enhanced Ultrasound[J].Ultrasound in Medicine，2010，29（4）：577-585.

[19] Wei Y，Su Z，Li W，et al.Partial dependence of breast tumor malignancy on ultrasound image features derived from boosted trees[J].Journal of Electronic Imaging，2010，19（2）：023004.

[20] Moustafa AF，Cary TW，Sultan LR，et al.Color Doppler Ultrasound Improves Machine Learning Diagnosis of Breast Cancer[J].Diagnostics （Basel），2020，10（9）：631.

（收稿日期：2021-12-10）