放射科医生在解读自动乳腺超声检测到的非肿块性病变时的表现：使用商用人工智能技术与不使用该技术的情况对比

《Ultrasound in Medicine & Biology》：Performance of Radiologist in Interpretation of Non-mass Lesions Detected by Automated Breast Ultrasound: With and Without Commercially Available AI

本研究评估AI辅助系统在自动乳腺超声诊断非肿块病变中的效果，比较BU-CAD和QV-CAD性能，发现QV-CAD灵敏度及AUC更高。AI辅助显著提升新手 radiologist诊断准确性，但经验丰富者差异不显著。结论AI-CAD系统有效，尤其对新手。

　　

薛文欣|朱艳|常万英|肖瑶|李阳|党晓志|宋洪平

第四军医大学西京医院超声科，中国西安

摘要

目的

评估放射科医师在使用基于人工智能（AI）的计算机辅助检测（CAD）系统进行自动化乳腺超声（ABUS）检查时，对乳腺非肿块性病变（NMLs）的诊断性能。

方法

2020年7月至2022年4月期间，纳入了接受ABUS检查并发现NMLs的患者作为本回顾性研究的对象。首先，我们比较了两种AI-CAD系统在诊断NMLs方面的性能。然后，选择性能更优的系统，并与4位经验水平不同的放射科医师合作，评估他们在使用AI-CAD系统与不使用AI-CAD系统的情况下诊断NMLs的能力。

结果

共有251名患者，其中251个为NMLs，其中54.2%（136/251）为良性病变，45.8%（115/251）为恶性病变。比较BU-CAD和QV-CAD系统，其敏感性、特异性及接收者操作特征曲线下面积（AUC）分别为45.2% vs 64.3%（p < 0.001）、77.2% vs 64.7%（p = 0.005）和0.63 vs 0.68（p = 0.17）。鉴于NMLs存在漏诊的高风险，我们在评估中更重视敏感性。因此，选择了具有较高敏感性和更优AUC的QV-CAD系统。在CAD系统的辅助下，所有读者的平均AUC从0.78提高到了0.83（p = 0.04）；对于新手读者，平均AUC从0.73提高到了0.80（p < 0.001）；而对于经验丰富的读者，两种阅读模式下的AUC没有差异，均为0.83（p = 0.14）。

结论

研究表明，使用AI-CAD系统后，读者的NMLs诊断能力得到了提升，尤其是对于新手读者而言。

引言

目前，非肿块性病变（NMLs）这一新分类已被纳入第六版乳腺影像报告和数据系统（BI-RADS）中。根据文献定义，NMLs是指回声纹理改变的离散灶，与肿块不同，它们缺乏三维结构、明确的形状或边界，并且至少在一个（通常是正交的）成像平面上可见[[1], [2], [3]]。统计数据显示，NMLs占乳腺异常病变的5%–9%，文献中报道的恶性率范围为10%–54%[[3], [4], [5], [6]]。因此，准确解读NMLs在临床上具有重要意义。

如文献所述，手持式超声（HHUS）在诊断NMLs方面具有较高的敏感性（95%–100%），但其特异性较低（21%–43%）[7,8]。自动化乳腺超声（ABUS）是一种新近引入的超声技术，能够实现标准化图像采集和整个乳腺的冠状图像显示，使专家可以同时从三个正交角度观察病变，并实时显示病变的精确空间位置，从而进行全面细致的评估，该技术越来越多地应用于临床实践。特别是，ABUS能够显示乳腺癌在冠状平面上的收缩现象，这是HHUS无法实现的，这对于区分良性与恶性乳腺病变至关重要[9]。根据先前研究[10,11]，ABUS在NMLs的风险评估方面在敏感性和特异性上均显著优于HHUS。ABUS的敏感性范围为96.8%–98.6%，而HHUS为75%–95.9%；特异性方面，ABUS也为53.9%–75%，而HHUS为30.6%–55.8%（p < 0.05）。然而，由于NMLs的超声特征较为复杂，放射科医师仍难以准确解释这些病变。

人工智能（AI）结合计算机辅助检测（CAD）技术通过监督学习与卷积神经网络在图像分类任务中表现出色。由于ABUS图像具有标准化特性，因此基于AI的CAD系统得到了广泛应用，其中一些系统已获得监管机构的批准并投入市场[[12], [13], [14]]。多项回顾性研究表明，AI-CAD系统有助于提高放射科医师在ABUS检查中的诊断能力，尤其是对于新手医师[15,16]。尽管大多数研究集中在肿块性病变上，但关于NMLs的研究较为少见。因此，仍需进一步探索AI-CAD系统在NMLs诊断中的实际效果。

因此，本研究旨在评估放射科医师在使用AI-CAD系统与不使用AI-CAD系统的情况下对乳腺NMLs进行良恶性分类的诊断性能。次要目标是比较当前市售AI-CAD系统在检测NMLs方面的性能。

材料与方法

泰浩医疗（TaiHao Medical）和QView Medical提供了用于本研究的AI-CAD工作站。这两种AI-CAD系统均获得了食品药品监督管理局的批准。

患者和病变特征

2020年7月至2022年4月期间，共有378名患者接受了ABUS检查，共发现378个NMLs（图1）。排除被重新分类为肿块（n = 42）的病变、无病理结果或随访时间不足2年的病例（n = 85）后，最终研究样本包括251名患者和251个NMLs。251名患者的平均年龄为45.4岁（年龄范围21-88岁），其中59.0%（148/251）为无症状患者，41.0%（103/251）有乳房症状，如可触及肿块、疼痛或乳头分泌物。

讨论

本研究首次探讨了当前市售AI-CAD系统的诊断性能，并评估了放射科医师在使用AI-CAD系统进行ABUS检查时对NMLs的诊断效果。对于所有参与者，我们发现AI-CAD系统的平均AUC（0.78–0.83；p = 0.04）有所提高，平均特异性（51.7%–59.6%；p = 0.03）也有所提升，同时保持了较高的平均敏感性（90.2%–91.8%；p = 0.12）。特别是对于新手读者，使用AI-CAD系统后诊断效果更为显著。

伦理批准与参与同意

本研究遵循《赫尔辛基宣言》进行，并得到了第四军医大学第一附属医院的批准（KY20192119-F-1），因此免除了知情同意的要求。

数据与资料的获取

本研究使用和/或分析的数据集可向通讯作者提出合理请求后获取。

发表同意

不适用。

作者贡献

薛文欣、朱艳和宋洪平负责研究的设计与规划；常万英、肖瑶和李阳负责数据收集；薛文欣和党晓志负责数据分析；常万英和肖瑶协助结果解读；薛文欣和朱艳负责手稿撰写。所有作者均参与了修订和审稿工作，并最终批准了提交的手稿。

资助

本研究得到了中国国家自然科学基金（82071934、82471991）的支持，以及西京医院对创新医学研究项目的资助（XJZT25CX03）。

利益冲突

所有作者声明不存在需要披露的利益冲突。