基于深度学习的乳腺X线辅助诊断系统对乳腺钙化检出和良恶性分类的临床价值

摘要

目的 探讨基于深度学习的乳腺X线辅助诊断(DL)系统对乳腺钙化检出和良恶性分类的临床价值。方法 回顾性分析在2020年1月～2022年12月在徐州市中心医院接受双侧乳腺X线检查的400例患者的头尾位和内外斜位影像资料。以2位具有15年以上乳腺X线诊断经验的副主任医师对乳腺钙化的一致判断作为标准组,由1位低年资住院医师、1位高年资主治医师和DL系统分别盲法独立阅片,经过4周洗脱期后,由联合模型(低年资医师+DL系统)再次盲法独立阅片。结合双向表χ2检验,评价不同乳腺ACR类型、钙化形态和分布、BI-RADS分类对钙化检出的影响,并采用ROC曲线下面积(AUC)评价低年资住院医师、高年资主治医师、DL系统和联合模型(低年资住院医师+DL系统)对可疑钙化检出的性能差异。结果 1600幅图像(400例患者)共检出BI-RADS 3级及以上可疑钙化975处。低年资住院医师A,高年资主治医师B、DL系统和联合模型对钙化检出的敏感度分别为81.95%、96.62%、93.03%、96.41%。高年资主治医师B、DL系统和联合模型对钙化检出的敏感度不受乳腺ACR类型、钙化形态和分布、BI-RADS分类影响,而低年资住院医师A对钙化检出的敏感度受其影响。联合模型(低年资住院医师+DL系统)在预测钙化良恶性方面具有良好的AUC值、敏感度和特异性,分别为0.891、90.0%和88.2%,和低年资住院医师之间存在差异(P<0.01)。在DL系统帮助下,低年资住院医师的诊断性能得到明显改善,AUC值由0.740提升到0.891。结论 DL系统对BI-RADS 3级及以上可疑钙化检出敏感度高且具有较高的良恶性钙化分类性能,与高年资主治医师相当。在DL系统的帮助下,低年资医师可以减少钙化漏诊、误诊,提高乳腺癌筛查和诊断的准确性。

关键词

乳腺X线摄影 / 可疑钙化 / 深度学习 / 乳腺癌 / 人工智能