乳腺AI、超声联合MRI在乳腺结节BI-RADS分类中的效能

摘要

目的 分析乳腺人工智能(AI)与常规超声(US)联合磁共振成像(MRI)在乳腺结节乳腺影像报告和数据系统(BI-RADS)分类中的效能。方法 选取105例乳腺结节患者(140个乳腺结节),所有乳腺结节均行乳腺AI、US及MRI检查；采用BI-RADS对患者的乳腺结节进行良性和恶性的分类，以术后病理结果为标准，BI-RADS 4a及以下为良性组、BI-RADS 4b及以上为恶性组，对比3种检查方法对乳腺癌诊断的准确性、敏感性及特异性，计算受试者工作特征曲线下面积(AUC);根据US分类将55个US-BI-RADS 4a类结节作为研究对象，用AI-BI-RADS 4a作为截点值，采用AI-BI-RADS对该55个乳腺结节进行重新分类，分析调整后的AI-US-BI-RADS与US-BI-RADS、病理结果、MRI-BI-RADS诊断结果间的一致性和差异，比较AI、US和MRI对BI-RADS 4a类结节的诊断效能。结果 3种方法独立应用判断乳腺结节的良恶性时，MRI的准确性和敏感性最高，AI的特异性最高；在联合诊断乳腺结节的良恶性时，US+AI+MRI联合诊断乳腺癌的准确性、敏感性及特异性最高且AUC最大；以AI-BI-RADS 4a类作为截点，对55例US-BI-RADS 4a类乳腺结节进行重新分类，AI与US、病理结果及MRI检测结果均有较高的一致性(P<0.01);AI调整后的乳腺BI-RADS分类准确性、敏感性、特异性均较调整分类前提高。结论 乳腺AI、US及MRI的联合使用可提高乳腺癌的诊断效能，AI-US-BI-RADS分类可较好的预测乳腺结节的良恶性。

关键词

超声 / 人工智能 / 常规超声联合磁共振成像 / BI-RADS分类 / 联合诊断 / 效能