女性關注 丨 放射科醫師在有或無AI輔助支持下基於X線攝片檢測乳腺癌表現的比較

導 語

乳腺癌（Breast cancer）位居女性惡性腫瘤的首位，在我國, 新診斷的乳腺癌病例佔全球乳腺癌新發病例的12.2%, 死亡率為9.6%, 乳腺癌已經成為我國女性癌症死亡的主要原因之一。乳房X線攝影的癌症篩查可有效降低與乳腺癌相關的死亡率。 然而，篩選工作任務量大，工作效率低，尤其是放射科醫師不足的境況下；此外，人工讀片有時還會有遺漏和錯誤解釋，目前AI的引入有望解決這一困境。

最近發表在《Radiology 》雜誌的一項研究就該問題進行了探討，今天讓我們一起了解一下。

研 究 簡 介

研究標題：Detection of Breast Cancer with Mammography: Effect of an Artificial Intelligence Support System

發表雜誌: Radiology （IF：7.469）

在線日期：2018-11-20

研究者：Alejandro Rodríguez-Ruiz, MSc Elizabeth Krupinski, PhD Jan-Jurre Mordang, MSc Kathy Schilling, MD ，Sylvia H. Heywang-Kbrunner, MD, PhD Ioannis Sechopoulos, PhD Ritse M. Mann, MD, PhD

主要研究部門：荷蘭內梅亨大學醫學中心放射學和核醫學系；美國喬治亞州亞特蘭大埃默裡大學放射與影像科學系等。

1研究目的

比較放射科醫師在有AI支持系統輔助和無AI支持系統輔助情況下，基於X線攝片對乳腺癌的檢測情況。

2研究方法

（1）數據收集：回顧性收集的數字乳房X線照相圖像。 兩個機構包括：一個在美國（收集中心A），一個在歐洲（收集中心B）。

（2）研究對象：數字乳房X線照相檢查的收集和最終選擇流程圖詳見圖1；

圖1：檢測的流程圖。

（3）乳房X線檢查：每個收集中心收集至少55個顯示癌症的檢查，30個具有假陽性結果的檢查和60個具有正常結果的檢查。

（4）乳房X線攝影數據的選擇：所有546個採集的檢查都由一位未參加觀察者研究的放射科醫師（具有13年數字乳房X線攝影經驗）進行了審查。

（5）人群特徵：雙側檢查，包含兩種視圖（頭顱和內側斜）。 兩種不同的系統：收集中心A的Lorad Sele年單元（Hologic，Bedford，Mass）和收集中心B的Mammomat Inspiration單元（Siemens Healthineers，Erlangen，Germany）。

通過組織病理學評估驗證癌症（表2），並通過組織病理學評估（n = 11）或陰性隨訪發現至少1年（n = 29）驗證假陽性結果。 所有正常檢查均有至少1年的陰性隨訪結果。

（6）AI支持系統：Transpara（版本1.3.0，ScreenPoint Medical），該系統設計用於乳房攝影和乳房斷層合成中的自動乳腺癌檢測。

（7）觀察員評估：完全交叉，多重閱讀，多病例評估，兩次會話（相隔至少4周），以測試兩種閱讀條件：無輔助或AI支持。 評估在兩個不同的中心（評估中心A和B，均在美國）進行。14名放射科醫師： 3名是普通放射科醫師，另外11名是專門的乳房放射科醫師 。在每次會議期間，在AI支持的情況下閱讀一半的檢查，一半是無輔助的 。

（8）統計分析：該研究的主要終點是比較準確度、靈敏度和特異性，以及有和無AI支持的閱讀時間。 還進行了二次分析（在下一節中進行了解釋），以獲得使用AI系統支持讀取乳房X線照片的效果的詳細知識。

3研究結果

（1）ROC表現 / 準確度：每個放射科醫師的診斷準確度，以及在有或無AI輔助情況下閱讀X光X線片的平準準確度（圖2和表3）。

圖2 兩種讀取條件下的平均ROC曲線：無AI輔助和有AI輔助支持。 在參與該評估的14位放射科醫師中計算平均值。 括弧中的數字是ROC曲線下的區域。

（2）敏感性和特異性（表 4、圖3、圖4）：

圖3：（a）患有浸潤性導管癌的71歲女性。 14名放射科醫師中有4名在無AI輔助的情況下召回，在有AI輔助的情況下14名放射科醫師中的11名支持召回患者（乳腺成像報告和數據系統[BI-RADS]評分≥3）。 概述區域和分數顯示在AI系統的查看器中。 （b）未患癌症的62歲女性，14名放射科醫師中有12人在無AI輔助時支持召回（BI-RADS評分≥ 3），14人中有7人在使用AI輔助時支持召回。

圖4：14名放射科醫師中的1名在無AI輔助情況下被錯誤地召回（乳腺成像報告和數據系統得分，≥ 3）的乳房X線照片，當使用AI輔助時，14名放射科醫生中有5名支持找回。

（3）讀片時間

圖5：（a）顯示了每個放射科醫師（圓圈）每個病例的閱讀時間差異和平均時間（正方形）。 （b）條形圖顯示閱讀時間的差異，作為系統分配的基於檢查的Transpara分數的函數。

圖6：（a）個體放射科醫師在無AI輔助和獨立的AI計算機系統的情況下讀取乳房X線照片和（b）放射科醫師和獨立AI計算機系統的ROC曲線。 放射科醫師在乳腺成像報告和數據系統3類閾值的操作點用圓圈表示。

4研究總結

該研究表明與無AI輔助相比，在AI系統的支持下，乳房放射科醫師診斷的準確度更高（用AUC測量）。 在這兩種情況下，每個案例的平均讀片時間相似。 這表明AI系統改進了對模稜兩可病例的評估，提出了該工具的臨床相關性。

鑒於篩選程序的高工作量，從成本效益的角度來看，放射科醫師在使用該系統時不會延長其閱讀時間，因此使用AI支持的性能優勢得到進一步增強。在篩選計劃中使用計算機系統作為獨立的第一或第二讀者可能是可行的。 鑒於（經驗豐富的）乳房放射科醫師越來越缺乏，這甚至可能允許開發或繼續篩查計劃。

總之，放射科醫師通過使用AI計算機系統來提高乳腺癌檢測乳腺癌的診斷性能，而無需額外的閱讀時間。 然而，儘管這些發現可能是有希望的，但真正進入臨床參與篩查等工作還需要進一步的驗證。

參考文獻：Rodriguez-Ruiz A, Krupinski E, Mordang J J, et al. Detection of Breast Cancer with Mammography: Effect of an Artificial Intelligence Support System[J], 2018: 181371。

備註：文中數據圖也均來自該篇文章中。

完

我在醫學AI社等您

關注我們

撩小編，來入群

轉載

申明

本文系醫學AI社編輯 翔瑜 整理寫作，如需轉載，請識別上圖右側二維碼與我們醫學AI社取得聯繫同意，或者郵箱「[email protected]」聯繫。未經同意，請勿轉載！