人工智能在鑒別乳腺結(jié)節(jié)彈性成像及預(yù)測(cè)淋巴結(jié)轉(zhuǎn)移的應(yīng)用

宋偉健，孫立濤

1蚌埠醫(yī)學(xué)院研究生院，安徽 蚌埠 233030；2浙江省人民醫(yī)院超聲科，浙江 杭州310014

人工智能（AI）這一概念最早由麥卡錫在1956年在達(dá)特茅斯會(huì)議中提出［1］，已經(jīng)滲透到我們的日常生活之中。深度學(xué)習(xí)作為AI最重要的子集之一，利用多層神經(jīng)網(wǎng)絡(luò)讓機(jī)器能夠像人一樣具有分析學(xué)習(xí)的能力，能夠有效提取原始圖像的特征，并作出有效的圖像分類、圖像分割和圖像重建［2］。計(jì)算機(jī)輔助診斷是AI另一重要的應(yīng)用，以機(jī)器學(xué)習(xí)和圖像處理技術(shù)為基礎(chǔ)，輔助發(fā)現(xiàn)病灶，有效提高診斷準(zhǔn)確性和診斷效率。目前，AI在各個(gè)領(lǐng)域的應(yīng)用愈加廣泛，尤其在醫(yī)學(xué)影像領(lǐng)域。超聲彈性成像是一種可以了解組織內(nèi)部彈性屬性的彈性模量的差異，通過圖像顯示，能夠研究傳統(tǒng)超聲無法探測(cè)的腫瘤，通過彈性參數(shù)（硬度）提供病變的成像［3］。但超聲彈性成像檢查對(duì)醫(yī)生的操作和診斷具有依賴性，一個(gè)合格的超聲科醫(yī)生需要長期大量的訓(xùn)練［4］。近年來，AI在乳腺結(jié)節(jié)彈性成像良惡性鑒別以及預(yù)測(cè)淋巴結(jié)轉(zhuǎn)移有著重要發(fā)展，本文對(duì)此應(yīng)用現(xiàn)狀做一綜述，并討論其前景及挑戰(zhàn)。

1 AI

AI是計(jì)算機(jī)科學(xué)的一個(gè)分支，現(xiàn)已發(fā)展為一個(gè)交叉學(xué)科，涉及機(jī)器人、語言識(shí)別、圖像識(shí)別、自然語言處理、專家系統(tǒng)等多個(gè)領(lǐng)域。AI自1956年誕生以來，理論和技術(shù)日益發(fā)展，應(yīng)用領(lǐng)域也不斷擴(kuò)大，近年來AI在醫(yī)學(xué)影像領(lǐng)域的應(yīng)用受到了廣泛的關(guān)注，與醫(yī)學(xué)影像相關(guān)的醫(yī)學(xué)成像系統(tǒng)和醫(yī)學(xué)圖像處理與分析鑒別是AI醫(yī)療最為典型的應(yīng)用場(chǎng)景。

1.1 深度學(xué)習(xí)

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一種，已經(jīng)作為最先進(jìn)的機(jī)器學(xué)習(xí)方法在許多實(shí)際應(yīng)用中出現(xiàn)。深度學(xué)習(xí)是一種由多個(gè)表示級(jí)別，通過組合不同的模塊獲得。一個(gè)模塊可以將一個(gè)低級(jí)別的表示轉(zhuǎn)換為更高或者更抽象級(jí)別的表示，不同模塊的組合可以更好的從數(shù)據(jù)中學(xué)習(xí)［5-6］。它的最終目的就是讓機(jī)器能像人一樣具有分析學(xué)習(xí)的能力，能夠識(shí)別文字、圖像和聲音等數(shù)據(jù)。深度學(xué)習(xí)是一個(gè)復(fù)雜的機(jī)器學(xué)習(xí)算法，在圖像識(shí)別方面取得的效果，遠(yuǎn)遠(yuǎn)超過之前的相關(guān)技術(shù)［7］。深度學(xué)習(xí)就具體研究內(nèi)容來看主要涉及三類方法：基于卷積運(yùn)算的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，即卷積神經(jīng)網(wǎng)絡(luò)（CNN）；以多層自編碼神經(jīng)網(wǎng)絡(luò)的方式進(jìn)行預(yù)訓(xùn)練，進(jìn)而結(jié)合鑒別信息進(jìn)一步優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值的深度置信網(wǎng)絡(luò)；基于多層神經(jīng)元的自編碼神經(jīng)網(wǎng)絡(luò)，包括自編碼以及稀疏編碼。深度卷積神經(jīng)網(wǎng)絡(luò)是最常用的圖像模式識(shí)別任務(wù)的深度學(xué)習(xí)網(wǎng)絡(luò)，在訓(xùn)練集數(shù)量足夠多和類型足夠多樣化的情況下，可以有效提取樣本中的相關(guān)特征，并且學(xué)習(xí)能力隨著深度的增加而增加。深度學(xué)習(xí)在醫(yī)學(xué)圖像中的模式識(shí)別能力已經(jīng)得到廣泛的認(rèn)可，在放射科［8］、超聲科［9］、眼科［10］、病理科［11］中取得了喜人的成果，在不久的將來會(huì)有更多成功，目前正在開發(fā)的新學(xué)習(xí)算法和體系結(jié)構(gòu)將加速這一進(jìn)程［12］。

1.2 計(jì)算機(jī)輔助診斷

計(jì)算機(jī)輔助診斷是指通過影像學(xué)、醫(yī)學(xué)圖像處理技術(shù)以及其他可能的生理、生化手段，結(jié)合計(jì)算機(jī)分析計(jì)算，輔助醫(yī)生發(fā)現(xiàn)病灶，提高診斷準(zhǔn)確性和效率［13-14］的一種方法。使用計(jì)算機(jī)自動(dòng)分析醫(yī)學(xué)圖像的嘗試早在20世紀(jì)60年代就出現(xiàn)了，一些研究已經(jīng)證明將計(jì)算機(jī)應(yīng)用于醫(yī)學(xué)圖像分析的可行性，但這項(xiàng)工作沒有引起太多關(guān)注，可能是因?yàn)閷?duì)高質(zhì)量的數(shù)字化圖像數(shù)據(jù)和計(jì)算資源訪問的有限。但是近年來，隨著計(jì)算機(jī)技術(shù)的快速發(fā)展和數(shù)字化醫(yī)療成像設(shè)備的普及，計(jì)算機(jī)輔助診斷已經(jīng)成為醫(yī)學(xué)影像、診斷放射、計(jì)算機(jī)科學(xué)中重要的研究領(lǐng)域。計(jì)算機(jī)輔助診斷已經(jīng)被研究應(yīng)用于各種疾病，包括疾病檢測(cè)、特征化、分期、治療反應(yīng)評(píng)估、預(yù)后預(yù)測(cè)和風(fēng)險(xiǎn)評(píng)估以及各種成像方式，計(jì)算機(jī)輔助診斷系統(tǒng)對(duì)于疾病的早期篩查尤為重要，早期篩查對(duì)疾病的診斷、治療起著重要的作用［15］?，F(xiàn)在常說的計(jì)算機(jī)輔助診斷技術(shù)主要是指基于醫(yī)學(xué)影像學(xué)的計(jì)算機(jī)輔助技術(shù)，基于醫(yī)學(xué)圖像的計(jì)算機(jī)輔助診斷系統(tǒng)分為兩類:一類是計(jì)算機(jī)輔助檢測(cè)系統(tǒng)，在醫(yī)學(xué)圖像上檢測(cè)異常并定位呈現(xiàn)出來；另一類是計(jì)算機(jī)輔助診斷系統(tǒng)，在醫(yī)學(xué)圖像上檢測(cè)異常并幫助醫(yī)生決定異常的類別以及惡性級(jí)別［16］。

2 AI在乳腺結(jié)節(jié)彈性成像的應(yīng)用

乳腺結(jié)節(jié)是臨床常見的病變，好發(fā)于乳腺增生、乳腺囊腫及乳腺腫瘤性等疾病。乳腺良惡性結(jié)節(jié)的生物特性存在一定的差異，患者的治療手段和預(yù)后存在著巨大差異，準(zhǔn)確鑒別乳腺結(jié)節(jié)的良惡性對(duì)治療和預(yù)后有著重要意義。乳腺結(jié)節(jié)良惡性的評(píng)估主要通過臨床、病理、影像三方面。乳房疼痛、乳房腫塊、乳頭溢液是乳腺結(jié)節(jié)常見的臨床表現(xiàn)。病理檢查是鑒別乳腺結(jié)節(jié)良惡性的金標(biāo)準(zhǔn)，常用的病理檢查是超聲引導(dǎo)下空芯針穿刺活檢［17］。影像學(xué)檢查最常用的方法是二維超聲成像和X線鉬靶成像，可以對(duì)病灶進(jìn)行定位、定量診斷，但定性診斷的準(zhǔn)確性和特異性比較低。其中超聲彈性成像利用不同組織之間的硬度差異進(jìn)行成像，從而對(duì)良惡性進(jìn)行判斷，避免不必要的超聲引導(dǎo)下空芯針穿刺活檢。計(jì)算機(jī)輔助診斷系統(tǒng)和深度學(xué)習(xí)是AI技術(shù)采用的兩種主要方法，AI的發(fā)展減少了乳腺彈性成像中醫(yī)生主觀性帶來的誤差，有效提高了診斷準(zhǔn)確率，有利于醫(yī)生更好的進(jìn)行結(jié)節(jié)的良惡性鑒別。

2.1 深度學(xué)習(xí)在乳腺結(jié)節(jié)彈性成像的應(yīng)用

近來，基于CNN 技術(shù)的超聲剪切波彈性成像（SWE）成為術(shù)前診斷乳腺結(jié)節(jié)良惡性的有效工具。有學(xué)者構(gòu)建了一個(gè)由逐點(diǎn)門控Boltzmann 機(jī)器和受限Boltzmann機(jī)器組成的兩層深度學(xué)習(xí)結(jié)構(gòu)，用于SWE特征提?。?8］。對(duì)121例患者的227幅SWE圖像（良性腫瘤135例，惡性腫瘤92例）進(jìn)行了5次交叉驗(yàn)證的實(shí)驗(yàn)評(píng)估，對(duì)量化圖像強(qiáng)度和紋理的統(tǒng)計(jì)特征進(jìn)行了比較。結(jié)果表明，DL特征更有助于分類，準(zhǔn)確率為93.4%，敏感度為88.6%，特異性為97.1%，曲線下面積（AUC）為0.947?；谏疃葘W(xué)習(xí)的方法將SWE中的特征學(xué)習(xí)和特征選擇結(jié)合在一起，它可能在乳腺良惡性結(jié)節(jié)的臨床診斷中有潛在的應(yīng)用價(jià)值。有學(xué)者提出了一種基于SWE 對(duì)良性和惡性乳腺腫瘤進(jìn)行分類的無分割放射組學(xué)方法，并結(jié)合CNN自動(dòng)提取特征和分類［19］。訓(xùn)練集包括540 張圖像（分別為318 張惡性乳腺腫瘤和222張良性乳腺腫瘤），結(jié)果顯示準(zhǔn)確度為95.8%，敏感度為96.2%，特異性為95.7%。與現(xiàn)有的方法相比，該方法具有更好的性能和自動(dòng)化特性，表明SWE和CNN相結(jié)合在乳腺腫瘤良惡性鑒別診斷中具有很大的優(yōu)勢(shì)。有學(xué)者從SWE和B 型超聲中自動(dòng)提取雙模態(tài)圖像特征，基于雙模態(tài)特征采用深度多項(xiàng)式網(wǎng)絡(luò)的特征學(xué)習(xí)和分類框架，以區(qū)分良性和惡性乳腺腫瘤［20］。通過留一法交叉驗(yàn)證，深度多項(xiàng)式網(wǎng)絡(luò)方法對(duì)雙模態(tài)特征的準(zhǔn)確率為95.6%，敏感度為97.8%，特異性為94.1%，約登指數(shù)為91.9%，AUC為0.961，優(yōu)于經(jīng)典的單模態(tài)方法以及使用主成分分析和多核學(xué)習(xí)的雙模態(tài)方法。以上結(jié)果表明，基于雙模態(tài)AI的深度多項(xiàng)式網(wǎng)絡(luò)技術(shù)在未來的臨床實(shí)踐中具有用于乳腺結(jié)節(jié)鑒別和分類的潛力。也有學(xué)者［21］回顧性收集了158張良性腫塊圖像和146張惡性腫塊圖像作為超聲SWE的訓(xùn)練數(shù)據(jù)進(jìn)行CNN訓(xùn)練，構(gòu)建了多個(gè)CNN模型（Xception、InceptionV3、InceptionResNetV2、DenseNet121、DenseNet169 和NASNetMobile），具有50、100和200個(gè)時(shí)期。與2個(gè)放射科醫(yī)生5點(diǎn)視覺顏色評(píng)估（SWEc）和平均彈性值（SWEe，kPa）的一致讀數(shù)來解釋這些測(cè)試數(shù)據(jù)。CNN是最佳的模型，其中最好的CNN模型（具有100個(gè)epoch的DenseNet169）、SWEc和SWEe的敏感度分別為0.857、0.829和0.914，特異性分別為0.789、0.737 和0.763，CNN 的平均AUC 為0.870，SWEc 和SWEe 的AUC 分別為0.821 和0.855。與放射科醫(yī)生相比，使用CNN 進(jìn)行深度學(xué)習(xí)在超聲SWE上區(qū)分良惡性乳腺腫塊時(shí)表現(xiàn)出相同或更高的AUC。有學(xué)者提出了一個(gè)新的框架（AW3M），它利用4種類型的超聲（即二維超聲、多普勒、SWE和應(yīng)變彈性成像）聯(lián)合來輔助乳腺惡性結(jié)節(jié)診斷［22］。它配備使用自監(jiān)督一致性損失的多流CNN 模型來提取模態(tài)特定和模態(tài)不變的特征，有效提高了診斷的準(zhǔn)確性。深度學(xué)習(xí)的結(jié)構(gòu)從最早的兩層學(xué)習(xí)結(jié)構(gòu)，可能有潛在的價(jià)值，到結(jié)合放射組學(xué)、多模態(tài)圖像特征、構(gòu)建更好模型，基于CNN的彈性成像鑒別乳腺良惡性結(jié)節(jié)有了更高的準(zhǔn)確性和特異性。

2.2 計(jì)算機(jī)輔助診斷在乳腺結(jié)節(jié)彈性成像的應(yīng)用

計(jì)算機(jī)輔助診斷系統(tǒng)一般包含圖像獲取、預(yù)處理、圖像分割、感興趣區(qū)域檢測(cè)、特征提取、特征選擇、診斷分類。診斷分類系統(tǒng)也可以在假陽性去除步驟后再進(jìn)行特征提取、特征選擇、感興趣區(qū)域、良惡性分類（或評(píng)估）［23］。有學(xué)者在具有統(tǒng)計(jì)學(xué)意義條件下，得出超聲彈性成像能客觀地評(píng)價(jià)乳腺腫塊的相對(duì)彈性硬度，定量參數(shù)直徑變化率和面積比有助于乳腺腫塊良惡性的鑒別。計(jì)算機(jī)輔助診斷可系統(tǒng)量化超聲彈性成像的參數(shù)，鑒別乳腺結(jié)節(jié)的性質(zhì)，有助于醫(yī)生作出更加客觀的診斷，已經(jīng)成為AI診斷乳腺結(jié)節(jié)的主要方法［24］。有學(xué)者開發(fā)了一種利用SWE圖像來區(qū)分良惡性乳腺腫瘤的計(jì)算機(jī)輔助診斷系統(tǒng)，對(duì)109個(gè)活檢證實(shí)的乳腺腫瘤（57個(gè)良性和52個(gè)惡性病例）進(jìn)行分析發(fā)現(xiàn)，與基于B型超聲的計(jì)算機(jī)輔助診斷系統(tǒng)相比，其敏感度、特異性、準(zhǔn)確性和AUC分別為86.5%、93.0%、89.9%和0.905，高于前者（敏感度、特異性、準(zhǔn)確性、AUC分別為86.5%、80.7%、83.5%和0.893），表明基于SWE特征的計(jì)算機(jī)輔助診斷系統(tǒng)有助于提高超聲對(duì)乳腺良惡性腫瘤的鑒別能力［25］。有學(xué)者提出了一種基于應(yīng)變彈性成像定量顏色分布的計(jì)算機(jī)輔助診斷系統(tǒng)，納入了31個(gè)惡性和52個(gè)良性病變圖像，與放射科專家和其他視覺診斷比較。與經(jīng)驗(yàn)豐富的放射科醫(yī)師相比，計(jì)算機(jī)輔助診斷系統(tǒng)的性能實(shí)現(xiàn)了70.97%的敏感度、88.46%的特異性和0.853的AUC。與其他的視覺診斷相比，該系統(tǒng)表現(xiàn)出更好的性能，其敏感度、特異性和AUC 分別為61.29%、88.46%和0.829。基于彈性成像的計(jì)算機(jī)輔助診斷系統(tǒng)可以提高放射科醫(yī)師對(duì)乳腺結(jié)節(jié)進(jìn)行分類的能力，其可能成為未來臨床診斷的有效工具［26］。有研究納入83例經(jīng)皮活檢的乳腺腫塊，評(píng)估3位放射科醫(yī)生在使用和不使用基于應(yīng)變彈性成像的計(jì)算機(jī)輔助診斷系統(tǒng)診斷的敏感度、特異性和診斷準(zhǔn)確性，結(jié)果表明使用基于應(yīng)變彈性成像的計(jì)算機(jī)輔助系統(tǒng)，3位醫(yī)生AUC分別為0.900、0.926 和0.868（沒有使用情況下分別為0.835、0.801和0.765），3位受試者之間的組內(nèi)相關(guān)系數(shù)在應(yīng)變彈性成像計(jì)算機(jī)輔助診斷系統(tǒng)下為0.811（沒有應(yīng)變彈性成像計(jì)算機(jī)輔助診斷系統(tǒng)時(shí)為0.6713）［27］，所提出的用于應(yīng)變彈性成像系統(tǒng)計(jì)算機(jī)輔助診斷系統(tǒng)有可能提高放射科醫(yī)師在使用與彈性成像相關(guān)的超聲進(jìn)行乳房檢查時(shí)的診斷率。有學(xué)者提出了一種基于自步學(xué)習(xí)的新型多經(jīng)驗(yàn)核映射排他性正則化機(jī)集成分類器算法，在乳腺彈性成像數(shù)據(jù)集上進(jìn)行驗(yàn)證。結(jié)果表明彈性成像的分類準(zhǔn)確率為（85.97±3.75）%，敏感度為（85.93±6.09）%，特異性為（86.03±5.88）%［28］。該算法能有效提高基于超聲彈性成像的乳腺癌計(jì)算機(jī)輔助診斷系統(tǒng)的性能，進(jìn)一步提高了鑒別乳腺腫瘤良惡性的能力。

3 AI在超聲預(yù)測(cè)乳腺癌淋巴結(jié)轉(zhuǎn)移的應(yīng)用

乳腺癌是最常見的婦科惡性腫瘤，乳腺癌的侵襲性和淋巴結(jié)轉(zhuǎn)移是治療復(fù)發(fā)和影響患者生存率最相關(guān)的因素［29］。乳腺癌患者最先轉(zhuǎn)移至前哨淋巴結(jié)，同時(shí)腋窩淋巴結(jié)轉(zhuǎn)移長期以來被認(rèn)為是全身擴(kuò)散的途徑［30］，部分患者因腋窩淋巴結(jié)腫大就診發(fā)現(xiàn)乳腺癌。腋窩淋巴結(jié)狀態(tài)是浸潤性乳腺癌分期、治療和預(yù)后的關(guān)鍵因素，不僅決定了乳腺癌的治療方案，也影響預(yù)后的評(píng)估［31］。當(dāng)發(fā)現(xiàn)可疑結(jié)節(jié)時(shí)，通常會(huì)進(jìn)行侵入性檢查以確定良惡性，如超聲引導(dǎo)下細(xì)針穿刺或芯針活檢。超聲是檢測(cè)腋窩淋巴結(jié)是否轉(zhuǎn)移的常用非侵入手段，有研究發(fā)現(xiàn)超聲檢查腋窩淋巴結(jié)為陰性的患者中仍有40%的患者在手術(shù)后的病理中存在腋窩淋巴結(jié)的轉(zhuǎn)移［32］。超聲已被廣泛用于術(shù)前確定乳腺病變的特征和確定腋窩淋巴結(jié)狀態(tài)。一項(xiàng)研究表明，臨床T分期和術(shù)前腋窩超聲結(jié)果與早期乳腺癌的淋巴結(jié)狀態(tài)有關(guān)［33］，但腋窩超聲對(duì)淋巴結(jié)狀態(tài)的診斷能力較差，AUC為0.585～0.719［34］。為了解決淋巴結(jié)狀態(tài)診斷不佳的問題，臨床醫(yī)師試圖通過臨床病理數(shù)據(jù)來預(yù)測(cè)腋窩淋巴結(jié)的狀態(tài)，如腫瘤分級(jí)、組織學(xué)腫瘤大小、淋巴血管侵犯和激素受體狀態(tài)［35-36］。然而，僅僅靠臨床病理等數(shù)據(jù)是不夠準(zhǔn)確的，有學(xué)者利用不同的變量與腋窩淋巴結(jié)狀態(tài)相關(guān)聯(lián)，AUC為0.66～0.74［37］。此外，一些數(shù)據(jù)在術(shù)前無法獲得，如淋巴血管侵犯和組織學(xué)腫瘤大小，但術(shù)前對(duì)腋窩淋巴結(jié)狀態(tài)的了解對(duì)于確定適當(dāng)?shù)闹委煼桨甘侵匾模?8］。

AI技術(shù)廣泛用于各種術(shù)前淋巴結(jié)轉(zhuǎn)移風(fēng)險(xiǎn)的評(píng)估，有學(xué)者開發(fā)了機(jī)器學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)T1大腸癌淋巴結(jié)轉(zhuǎn)移風(fēng)險(xiǎn)，減少不必要的淋巴結(jié)清掃［39］；也有研究建立了基于雙能CT的深度學(xué)習(xí)放射組學(xué)列線圖，用于胃癌淋巴結(jié)轉(zhuǎn)移預(yù)測(cè)［40］。AI技術(shù)結(jié)合超聲精準(zhǔn)預(yù)測(cè)腋窩淋巴結(jié)的轉(zhuǎn)移也已經(jīng)展開了深度的研究，對(duì)選擇合理治療方式、提高療效、改善患者預(yù)后具有重要作用。

3.1 深度學(xué)習(xí)在預(yù)測(cè)乳腺癌淋巴結(jié)轉(zhuǎn)移的應(yīng)用

深度學(xué)習(xí)算法因其在圖像識(shí)別任務(wù)中的出色表現(xiàn)而受到廣泛關(guān)注。深度學(xué)習(xí)模型可以自動(dòng)對(duì)復(fù)雜的醫(yī)學(xué)圖像特征進(jìn)行定量評(píng)估，并以更高的效率實(shí)現(xiàn)更高的診斷準(zhǔn)確性。通過結(jié)合原發(fā)性腫瘤的超聲特征和DL對(duì)淋巴結(jié)彈性成像進(jìn)行預(yù)測(cè)轉(zhuǎn)移可能會(huì)產(chǎn)生巨大的診斷效果。既往有研究利用基于機(jī)器學(xué)習(xí)技術(shù)和深度學(xué)習(xí)技術(shù)的QUS圖像分析，納入105名患者，將118幅患者的淋巴結(jié)超聲圖像分為53例實(shí)驗(yàn)組和65例對(duì)照組，構(gòu)成一個(gè)研究系列，每個(gè)結(jié)節(jié)的病理結(jié)果通過超聲引導(dǎo)下細(xì)針穿刺、芯針活檢或者手術(shù)活檢來確定，結(jié)果表明該方法的準(zhǔn)確率為86.4%，敏感度為84.9%，特異性為87.7%，與放射科專家進(jìn)行的腋窩淋巴結(jié)超聲結(jié)果相對(duì)比準(zhǔn)確性提高了9%（86.4%vs77.9%）［41］。有學(xué)者將756例腋窩淋巴結(jié)陰性原發(fā)性乳腺癌患者（974幅圖像）納入訓(xùn)練集，78例腋窩淋巴結(jié)陰性原發(fā)性乳腺癌患者（81幅圖像）納入測(cè)試集，腋窩淋巴結(jié)均經(jīng)病理證實(shí)［42］。三種不同的CNN（Inception V3、Inception-ResNet V2和ResNet-101模型）結(jié)果與五名放射科醫(yī)生的診斷結(jié)果相比，在獨(dú)立測(cè)試集中，表現(xiàn)最好的CNN 模型為InceptionV3，其預(yù)測(cè)腋窩淋巴結(jié)轉(zhuǎn)移的AUC 為0.89。該模型的敏感度和特異性分別為85%和73%，放射科醫(yī)生的敏感度和特異性分別為73%和63%。表明深度學(xué)習(xí)模型可以有效地預(yù)測(cè)腋窩淋巴結(jié)轉(zhuǎn)移，及時(shí)為臨床提供診斷策略。有研究利用基于二維超聲及SWE深度學(xué)習(xí)影像組學(xué)（DLR）圖像特征，構(gòu)建術(shù)前影像組學(xué)評(píng)分系統(tǒng)，預(yù)測(cè)乳腺癌淋巴結(jié)轉(zhuǎn)移，該模型臨床參數(shù)結(jié)合DLR值診斷效果最好，AUC為0.902，同時(shí)結(jié)合臨床信息、網(wǎng)絡(luò)特征的臨床參數(shù)以及DLR還可以辨別腋窩淋巴結(jié)轉(zhuǎn)移的輕重程度，在測(cè)試隊(duì)列中的AUC值為0.905［43］。該研究提供了一個(gè)非侵入性的檢查方法來預(yù)測(cè)早期乳腺癌的腋窩淋巴結(jié)轉(zhuǎn)移及輕重程度。有學(xué)者納入937名符合條件的乳腺癌患者的超聲圖像，分別作為訓(xùn)練集（n=542）和獨(dú)立測(cè)試集（n=395），開發(fā)并驗(yàn)證了基于超聲模型的多中心深度學(xué)習(xí)放射組學(xué)（DLRU）預(yù)測(cè)前哨淋巴結(jié)（SLN）轉(zhuǎn)移和殘留非SLN（NSLN）的轉(zhuǎn)移，結(jié)果顯示DLRU 在識(shí)別SLN轉(zhuǎn)移的敏感度為98.4%，NSLN轉(zhuǎn)移的敏感度為98.4%［44］。DLRU還準(zhǔn)確地將SLN或NSLN中無轉(zhuǎn)移的患者分為相應(yīng)的低風(fēng)險(xiǎn)和高風(fēng)險(xiǎn)類別，陰性預(yù)測(cè)值分別為97%和91.7%。此外，DLRU將整個(gè)研究隊(duì)列中51%（39.6%/77.4%）過度治療患者適當(dāng)分配到低風(fēng)險(xiǎn)組。該研究表明DLUR有潛力成為乳腺癌腋窩淋巴結(jié)的管理工具，有效預(yù)測(cè)淋巴結(jié)的轉(zhuǎn)移和避免過度治療。有研究使用CNN的深度學(xué)習(xí)在超聲圖像上區(qū)分正常和轉(zhuǎn)移性腋窩淋巴結(jié)的能力，開發(fā)了一個(gè)使用CNN 架構(gòu)Xception的深度學(xué)習(xí)模型，收集了300幅正常的圖像和328幅帶有乳腺癌轉(zhuǎn)移的腋窩淋巴結(jié)圖像進(jìn)行訓(xùn)練。分析50個(gè)正常和50個(gè)轉(zhuǎn)移性淋巴結(jié)的測(cè)試數(shù)據(jù)，與一位具有12年經(jīng)驗(yàn)的委員會(huì)認(rèn)證醫(yī)師（讀者1）和兩位具有3年和1年經(jīng)驗(yàn)的醫(yī)師（讀者2、3）診斷結(jié)果做比較，結(jié)果顯示DL模型的敏感度為94%，特異性為88%，AUC為0.966；DL模型的AUC與讀者1的差異無統(tǒng)計(jì)學(xué)意義（P=0.881），但高于讀者2（0.913）和讀者3（0.810）（P＜0.001）。在DL支持下，讀者2和讀者3的AUC分別增加到0.960和0.937（P＞0.05），與讀者1相當(dāng)［45］。DL模型在乳腺超聲鑒別腋窩淋巴結(jié)轉(zhuǎn)移方面表現(xiàn)出出色的診斷性能，并可能提供有效的診斷支持。超聲憑借實(shí)時(shí)、無創(chuàng)、無輻射、多模態(tài)成像的特點(diǎn)，在構(gòu)建基于深度學(xué)習(xí)預(yù)測(cè)模型方面有著獨(dú)特的優(yōu)勢(shì)和發(fā)展?jié)摿?，有效的預(yù)測(cè)乳腺癌腋窩淋巴結(jié)的轉(zhuǎn)態(tài)，有效的避免了不必要的淋巴結(jié)穿刺，最重要的是避免了非必要的淋巴結(jié)清掃?；谏疃葘W(xué)習(xí)預(yù)測(cè)模型為乳腺癌術(shù)前診斷提供了一種新的手段，不僅幫助臨床醫(yī)生做出有效的決策，同時(shí)也提高了影像醫(yī)生診斷的準(zhǔn)確性。

3.2 計(jì)算機(jī)輔助診斷在預(yù)測(cè)乳腺癌淋巴結(jié)轉(zhuǎn)移的應(yīng)用

有研究從247名女性中獲得249例惡性腫瘤的圖像，通過腫瘤形態(tài)和紋理等特征分為非轉(zhuǎn)移組（n=130）和轉(zhuǎn)移組（n=119），使用基于乳腺超聲圖像的計(jì)算機(jī)輔助預(yù)測(cè)模型以及乳腺癌腋窩淋巴結(jié)轉(zhuǎn)移的腫瘤特征預(yù)測(cè)淋巴結(jié)轉(zhuǎn)移的可能性。其準(zhǔn)確度、敏感度、特異性和Az 值分別達(dá)到75.1%（187/249）、79.0%（94/119）、71.5%（93/130）和0.757［46］。計(jì)算機(jī)輔助預(yù)測(cè)模型結(jié)合原發(fā)腫瘤的紋理和形態(tài)特征在預(yù)測(cè)腋窩淋巴結(jié)轉(zhuǎn)移方面表現(xiàn)出更高的性能。有學(xué)者納入了乳腺癌患者腋窩淋巴結(jié)的105個(gè)超聲圖像（81個(gè)良性和24個(gè)惡性），每個(gè)淋巴結(jié)被手動(dòng)分割，通過符號(hào)距離變換獲得每個(gè)像素3-D特征空間中的坐標(biāo)，并將倉位計(jì)數(shù)作為支持向量機(jī)學(xué)習(xí)算法的預(yù)測(cè)器輸入［47］，使用80/25個(gè)訓(xùn)練測(cè)試分割的重復(fù)隨機(jī)抽樣來估計(jì)泛化性能并生成接收器操作特性曲線，最佳分類器的AUC為0.95，敏感度和特異性分別為0.90和0.90。結(jié)果表明通過計(jì)算機(jī)輔助診斷進(jìn)行腋窩淋巴結(jié)分期的可行性。

4 研究局限與前景展望

目前，診斷乳腺結(jié)節(jié)的醫(yī)療數(shù)據(jù)，90%來源于醫(yī)學(xué)影像，但這些數(shù)據(jù)幾乎都需要人工分析，不可避免的帶來了一些問題：醫(yī)生的主觀性強(qiáng)，沒有一個(gè)量化的標(biāo)準(zhǔn)，準(zhǔn)確性較低，容易造成誤診；大量的圖像信息造成醫(yī)生疲勞，產(chǎn)生漏診［48］。AI技術(shù)能夠很好地解決了這個(gè)問題，深度學(xué)習(xí)和計(jì)算機(jī)輔助診斷在乳腺結(jié)節(jié)彈性成像的特征提取、圖像識(shí)別與良惡性鑒別和分類中取得了較為滿意的結(jié)果，但是兩者仍存在可以改善之處。

首先，樣本量小可能是深度學(xué)習(xí)無法廣泛應(yīng)用的一個(gè)原因。大樣本量是提高深度學(xué)習(xí)網(wǎng)絡(luò)準(zhǔn)確率的重要保證，研究證實(shí)深度學(xué)習(xí)在大樣本數(shù)據(jù)中比其他算法（如支持向量機(jī)）具有更好的準(zhǔn)確率［49］。超聲領(lǐng)域中的大多數(shù)深度學(xué)習(xí)應(yīng)用都是在從單個(gè)醫(yī)療中心和單個(gè)超聲設(shè)備獲得的有限的單一數(shù)據(jù)集上進(jìn)行訓(xùn)練和評(píng)估的。為了克服這一問題，第一，可通過遷移學(xué)習(xí)從不同醫(yī)療中心或不同超聲設(shè)備獲得的新數(shù)據(jù)集去微調(diào)模型；第二，通過使用數(shù)據(jù)增強(qiáng)（如組織變形、平移、水平翻轉(zhuǎn)、添加噪聲和增強(qiáng)圖像）獲得更多的數(shù)據(jù)來提高深度學(xué)習(xí)模型的泛化能力；第三，采用弱監(jiān)督學(xué)習(xí)，解決標(biāo)記的問題；第四，改進(jìn)模型，以提高從小樣本提取特征的能力并減少訓(xùn)練時(shí)間［50-51］。其次，結(jié)節(jié)邊緣的勾畫是影響分類診斷的另一個(gè)因素，這一過程應(yīng)包括更多的高年資醫(yī)生，以確保手動(dòng)勾畫輪廓的準(zhǔn)確性；為了對(duì)模型進(jìn)行更客觀的評(píng)估，需要將相同的數(shù)據(jù)集應(yīng)用到其他算法模型中進(jìn)行比較，而不是使用不同的數(shù)據(jù)集來比較診斷效率［52］。

近年來關(guān)于計(jì)算機(jī)輔助診斷的研究越來越多，但臨床上卻很少使用。其中一個(gè)主要原因可能是用傳統(tǒng)的機(jī)器學(xué)習(xí)方法開發(fā)的計(jì)算機(jī)輔助診斷工具可能沒有達(dá)到能夠滿足醫(yī)生提高診斷準(zhǔn)確率和工作流程效率的需要的高性能。以下兩種方法可以緩解這一問題：第一，深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)領(lǐng)域的新興技術(shù)，可在很大程度上改進(jìn)淺層學(xué)習(xí)的問題，大幅提高計(jì)算機(jī)輔助診斷系統(tǒng)從圖像學(xué)習(xí)特征的能力，解決人工提取特征帶來的主觀影響，以及無法利用高維特征之間的關(guān)系所提供的有效信息。第二，鑒于不同的影像手段可以提供不同的診斷信息，基于多模態(tài)影像的計(jì)算機(jī)輔助診斷可能會(huì)改善性能效果，在超聲領(lǐng)域里，結(jié)合二維超聲和彈性成像或者超聲造影的計(jì)算機(jī)輔助診斷有一定的研究價(jià)值。

AI應(yīng)用在超聲診斷是順勢(shì)而為，目前AI廣泛應(yīng)用于超聲診斷中，包括心臟超聲［52］、胃腸超聲［53］、腎臟超聲［9］等。超聲作為臨床檢查中最常用的檢查方式，超聲診斷需求急劇增多，對(duì)醫(yī)生診斷有了更高的要求，AI很好的解決這個(gè)問題，AI輔助診斷提高了工作效率的同時(shí)降低了誤診率，患者也可以獲得更精淮的診斷建議以及個(gè)性化治療方案建議。在大數(shù)據(jù)時(shí)代背景下，建立術(shù)前精準(zhǔn)、無創(chuàng)診斷乳腺結(jié)節(jié)良惡性、預(yù)測(cè)腋窩淋巴結(jié)轉(zhuǎn)移的AI超聲影像學(xué)體系，對(duì)實(shí)現(xiàn)乳腺結(jié)節(jié)AI支撐下的乳腺診療新模式具有重要意義。依托醫(yī)學(xué)影像多中心大數(shù)據(jù)及標(biāo)準(zhǔn)化、規(guī)范化的數(shù)據(jù)采集流程，未來AI技術(shù)在乳腺結(jié)節(jié)彈性成像診斷及預(yù)測(cè)腋窩淋巴結(jié)轉(zhuǎn)移中能得到更廣闊的應(yīng)用，甚至可以做到接近病理學(xué)的診斷［54］。