乳腺AI在放射科住院医师规范化培训中的应用价值研究.pdf

继续医学教育 2023年7月 第37卷 第7期 105乳腺AI在放射科住院医师规范化培训中的应用价值研究基金项目：2021 年度广东省临床教学基地教学改革研究项目（2021JD198）作者单位：广东省梅州市人民医院放射科，广东 梅州 514031通信作者：范伟雄，E-mail：张添辉 古志聪 钟正 赖如玉 李玉林 范伟雄【摘要】目的 探讨乳腺人工智能（artificial intelligence，AI）辅助诊断系统在放射科住院医师规范化培训（住培）中的应用效果。方法 招募 2021 年 7 月至 2022 年 1 月在广东省梅州市人民医院放射科进行轮转的 10 名住培医师作为研究对象，通过随机数字表法分为对照组（n=5）和试验组（n=5）。对照组住培医师直接在影像存档与传输系统（picture archiving and communication system，PACS）上调取图像进行诊断，试验组住培医师则在乳腺 AI 的辅助下进行诊断。对两组住培医师的腺体类型分型准确率、肿物诊断符合率、阅片时间及诊断信心进行统计分析。结果 统计分析结果显示，试验组住培医师对乳腺腺体分型的准确率稍高于对照组，但差异无统计学意义（P 0.05）；试验组住培医师对乳腺肿物的诊断准确率显著高于对照组，差异有统计学意义（P 0.05）；试验组住培医师的阅片时间稍短于对照组，但差异无统计学意义（P 0.05）；试验组住培医师的诊断信心稍高于对照组，但差异无统计学意义（P 0.05）。结论 乳腺 AI 辅助诊断系统有助于提高放射科住培医师的乳腺肿物诊断准确率，为放射科规范化培训提供一种高效的“AI+教育”模式。【关键词】医学影像学；放射科；乳腺；人工智能；住院医师；规范化培训；临床教学【中图分类号】G642 【文献标志码】A【文章编号】1004-6763（2023）07-0105-04doi:10.3969/j.issn.1004-6763.2023.07.027乳腺癌是全世界女性发病率最高的恶性肿瘤，严重危害女性的生命健康。早期筛查、早期诊断和早期治疗对改善乳腺癌患者预后、降低死亡率具有重要意义。目前，乳腺 X 线钼靶以其对肿块和微钙化的良好检测效果，被推荐为乳腺癌早期筛查的主要影像学检查方法。住院医师规范化培训（简称“住培”）是毕业后医学继续教育的重要组成部分1，对于培训具有岗位胜任力的放射科医师和提高医疗质量极为重要。但是，由于乳腺 X 线钼靶表现复杂多样，教学内容多而培训时间少，导致住培医师的钼靶报告诊断能力参差不齐。近年，随着人工智能（artificial intelligence，AI）技术的迅速发展，越来越多的 AI 辅助诊断技术被应用于医学影像辅助诊断，尤其是乳腺 AI 辅助诊断技术日趋成熟2-3。然而，大多数报道主要对影像 AI 辅助诊断技术的诊断效能进行研究，而对其在放射科规范化培训中的应用价值研究尚少。因此，本研究从放射科常见的乳腺 X 线钼靶着手，探讨基于乳腺 AI 的 X 线钼靶辅助诊断系统在放射科住院医师规范化培训中的应用效果，旨在为放射科规范化培训提供一种高效的“AI+教育”模式。1 资料与方法1.1 一般资料招募 2021 年 7 月至 2022 年 1 月在本院放射科住培基地轮转的 10 名住培医师作为研究对象，包括男性 7 名，女性 3 名，平均年龄为（25.501.27）岁（范围为 23 28岁），学历均为本科。通过随机数字表法分为对照组和试验组，其中对照组 5 名，男性 4 名，女性 1 名，平均年龄为（26.201.10）岁（范围为 25 28 岁）；试验组 5 名，男性 3 名，女性 2 名，平均年龄为（24.801.10）岁（范围为 23 26 岁）。两组住培医师的性别、年龄等基础资料差异无统计学意义（P 0.05），具有可比性。1.2 研究方法对照组和试验组通过视频课程形式接受相同的乳腺 X线钼靶课程学习，课程内容包括乳腺 X 线检查的规范报告内容（包括检查的适应证、乳腺腺体分型、重要影像征106 Continuing Medical Education,July 2023,Vol.37,No.7象、对比前片、作出评估、给出处理方案）和乳腺影像报告和数据系统（breast imaging reporting and data system，BI-RADS）标准解读及案例示范。试验组在完成上述课程学习后，进一步学习乳腺钼靶 AI 辅助诊断系统（医准智能辅助诊断系统 v4.0 版本）的使用，该 AI 系统不仅会在钼靶图像上标注出各个可疑病灶，并对每一病灶的位置（具体至乳腺某一象限）、腺体类型、BI-RADS 分类、良恶性的可能性等进行标注以供参考。由 1 名放射科带教老师（具有 8 年影像诊断工作经验的主治医师）从影像存档与传输系统（picture archiving and communication system，PACS）抽取 20 例乳腺疾病患者的X 线钼靶组成测试库。纳入标准为：1）患者临床资料完整；2）乳腺 X 线钼靶成像检查为双体位投照：分别为头尾位（craniocaudal，CC）和内外斜位（mediolateral oblique，MLO），且图像清晰无明显伪影；3）乳腺 X 线钼靶图像可被乳腺 AI 辅助诊断系统识别和处理；4）乳腺肿物经手术病理最终证实，且病理结果诊断明确无争议。最终，测试数据库共纳入 20 例乳腺疾病患者，包括 10 例恶性病变（均为乳腺癌）和 10 例良性病变（其中，乳腺纤维瘤 5 例，乳腺腺病 1 例、乳腺腺病并乳腺纤维瘤 3 例、乳腺腺病并乳腺纤维瘤+乳腺纤维瘤伴导管内乳头状瘤1 例），性别均为女性，平均年龄为（51.312.60）岁（范围为 38 87 岁）。1.3 观察指标完成上述学习后，对照组与试验组住培医师通过以下测试评估培训效果。对照组住培医师直接在 PACS 上调取测试库钼靶图像进行诊断评估，乳腺 X 线钼靶诊断结果包括乳腺腺体类型及肿物 BI-RADS 分类，完成报告的同时记录阅片时间及诊断信心。试验组住培医师则在乳腺钼靶 AI（医准智能辅助诊断系统 v4.0 版本）的辅助下调取测试库钼靶图像进行诊断，并记录阅片时间及诊断信心。培训效果观察指标及其具体定义如下：1）腺体类型分型准确率：根据美国放射学院（American College of Radiology，ACR）分型分为 a 型：脂肪型、b 型：疏松型（少量腺体）、c 型：混合型（多量腺体型）、d 型：致密型。以 2 名放射科医师对乳腺腺体类型进行分型的结果为参考标准，计算两组住培医师对腺体类型的分型准确率。2）肿物诊断符合率评估：对于乳腺 X 线钼靶诊断结果采用 BI-RADS 进行报告，其中将 BI-RADS 4a 类定义为良性，BI-RADS 4b 类定义为恶性。以穿刺或手术病理诊断为金标准，计算两组住培医师对乳腺肿物的诊断符合率。3）阅片时间：住培医师记录完成测试库 20 例患者的阅片所花费的总时间。4）诊断信心：住培医师完成每例患者的 X 线钼靶诊断后均采用 5 分法对诊断信心进行自我评价：1 分为无信心；2 分为较低信心；3 分为中等信心；4 分为较高信心；5 分为充足信心。最后，住培医师记录完成测试库 20 例患者阅片的诊断信心分数总和。1.4 统计学方法统计分析采用 SPSS 20.0 统计学软件进行，以P 0.05为差异有统计学意义。计量资料以（x-s）表示，采用独立样本t检验比较两组之间阅片时间及诊断信心的差异性；计数资料以n（%）表示，采用2检验比较两组之间乳腺腺体分型准确率及肿物诊断符合率的差异性。2 结果两组共 10 名住培医师，每人完成同一测试数据库20 例乳腺疾病患者的乳腺 X 线钼靶报告，共完成 200 份乳腺 X 线钼靶报告，其中对照组 5 名住培医师在无乳腺AI 辅助下共完成 100 份，试验组 5 名住培医师则在乳腺继续医学教育 2023年7月 第37卷 第7期 107AI 辅助下共完成 100 份。统计分析结果显示，试验组住培医师对乳腺腺体分型的准确率稍高于对照组，但差异无统计学意义（P 0.05）；试验组住培医师对乳腺肿物的诊断准确率显著高于对照组，差异有统计学意义（P 0.05）；试验组住培医师的阅片时间稍短于对照组，但差异无统计学意义（P 0.05）；试验组住培医师的诊断信心高于对照组，但差异无统计学意义（P 0.05），见（表 1）。3 讨论乳腺癌是全世界女性最常见的恶性肿瘤，2020 年全球新发乳腺癌约 226 万，死亡 68 万，且均呈上升趋势4。由于我国人口基数大，女性乳腺癌发病及死亡人数均居全球首位，分别占全球乳腺癌发病和死亡人数的 17.6%和15.6%5。目前，乳腺癌的防控是以影像筛查为主的二级预防，其重在疾病的早期发现、早期诊断及早期治疗。乳腺X 线钼靶成像是乳腺癌筛查的重要手段，其成像方法、征象解读及影像报告书写是放射科住培医师接受培训的重要内容。然而，乳腺 X 线钼靶成像表现复杂多样，住培医师等初学者往往上手存在一定困难。因此，乳腺 X 线钼靶教学已成为放射科规范化培训的教学重点与难点。近年随着AI技术的迅速发展，尤其是深度学习（deep learing，DL）算法的开发和更新，其在肿瘤筛查、早期诊断及自动结构化报告等方面得到越来越多的应用，已成为医学影像最具有发展前景的领域6-8。因此，如何让放射科住培医师紧跟时代发展，将 AI 辅助诊断技术与影像阅片培训相结合，通过“AI+教育”模式提高阅表 1 对照组与试验组住培医师培训效果的比较结果组别腺体分型准确率（%）肿物诊断符合率（%）阅片时间（min，x-s）诊断信心（分，x-s）对照组（n=5）64（64/100）82（82/100）72.6930.0974.2015.25试验组（n=5）71（71/100）93（93/100）48.627.7583.202.952/t值1.1175.5311.7331.295P值0.2910.0190.1500.260片培训效果，是目前放射科规范化培训教学中值得探索的课题。目前，随着相对成熟的 AI 产品在临床的推广应用，“AI+教育”模式应用到放射科规范化培训教学成为可能。因此，本研究将探讨乳腺 AI 辅助诊断系统在本院放射科规范化培训中的应用效果，以期获得一种高效的“AI+教育”模式，从而提高规范化培训的效率和质量。本研究结果显示，试验组住培医师对乳腺腺体分型的准确率稍高于对照组，但差异无统计学意义（P0.05）。分析原因可能为：虽然乳腺 AI 对乳腺腺体分型可以起到一定的辅助作用，但由于腺体类型分型多样，且每一型的分界存在一定模糊性，导致 AI 辅助对乳腺腺体分型的准确率提高有限。本研究结果还发现，试验组住培医师对乳腺肿物的诊断符合率为 93%，而对照组诊断符合率为 82%，且差异有统计学意义（P 0.05），提示在乳腺 AI 辅助下试验组住培医师对乳腺肿物的诊断准确率显著高于对照组。分析原因可能为：1）乳腺AI 能够对钼靶图像上的各个可疑病灶进行自动识别，并在图像上进行标注，有助于住培医师识别可疑病灶并进行重点观察，提高诊断准确率。2）乳腺 AI 还对病灶的位置、大小、结节类型、钙化等重要征象等进行标注及描述，并通过人工智能算法综合各个征象获得最终 BI-RADS 分类用于辅助诊断。当住培医师判定的 BI-RADS 与乳腺 AI 结果不一致时，住培医师可对照自身在进行 BI-RADS 分类时是否错漏了部分重要征108 Continuing Medical Education,July 2023,Vol.37,No.7参考文献1 张添辉，程凤燕，陈芸，等.模式化入科教育在放射科规范化培训中的应用 J.中国继续医学教育，2021，13（28）：120-124.2 欧阳汝珊，林小慧，马捷.基于深度学习的乳腺 X 线摄影的临床应用价值 J.国际医学放射学杂志，2021，44（6）：673-677.3 商亮，郭宇峰，叶伟，等.人工智能在乳腺癌诊断中应用的研究进展 J.现代肿瘤医学，2021，29（1）：155-158.4 SUNG H，FERLAY J，SIEGEL R L，et al.Global cancer statistics 2020：GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countriesJ.CA Cancer J Clin，2021，71（3）：209-249.5 张雪，董晓平，管雅喆，等.女性乳腺癌流行病学趋势及危险因素研究进展 J.肿瘤防治研究，2021，48（1）：87-92.6 姚定康，朱樑.人工智能助力健康中国建设 J.中华消化病与影像杂志（电子版），2021，11（1）：20-23.7 臧爱华，姜明，孟聪，等.人工智能系统评估 BI-RADS 4 类乳腺肿块的应用价值 J.中华医学超声杂志（电子版），2021，18（8）：795-799.8 罗燕，伍建林.基于人工智能的医学图像分析在乳腺癌中的应用进展 J.齐齐哈尔医学院学报，2020，41（1）：96-99.9 王慧珠，苑婉茹，王新霞，等.规培医生应用医学影像 AI 辅助诊断乳腺肿块及使用意愿调查研究 J.现代医药卫生，2021，37（10）：1755-1757.10 周晨怡，朱芳莲，王艳玲，等.人工智能辅助低年资放射科医师检出乳腺病变J.中国介入影像与治疗学，2021，18（6）：345-349.11 范鸿禹，孙丹丹，张清，等.人工智能辅助低、高年资规 培 医 师 对 CT 肺 结 节 检 测 效 能 的 对比研究 J.中国中西医结合影像学杂志，2021，19（2）：175-179.收稿日期：2022-05-10象，有助于避免 BI-RADS 分类不当造成的错误诊断，从而提高诊断准确率。上述研究结果与王慧珠等9研究结果相似，其研究结果显示住培医师未应用与辅助应用乳腺 AI 的诊断符合率分别为 84.17%和 93.75%，提示采用乳腺彩超人工智能软件有助于提高对乳腺肿块的诊断正确率。周晨怡等10亦得到类似结果，其研究显示在 AI 系统辅助下有助于提升低年资放射科医师X 线钼靶中乳腺病灶的检出效能，尤其是乳腺软组织病灶的诊断敏感度和准确率。范鸿禹等11研究显示在肺结节 AI 辅助下低、高年资住培医师对肺结节的检出效能均得到提升，且大幅缩短低年资住培医师的阅片时间。本研究结果发现，试验组住培医师的阅片时间稍短于对照组，但差异无统计学意义（P 0.05）。分析原因为：1）乳腺 AI 能够在图像上实时标注出所有可疑病灶，尤其是对于多发病灶，有助于住培医师在图像上快速识别病灶，从而在一定程度上缩短住培医师的阅片时间。2）乳腺 AI 还具有导航列表功能，住培医师可以通过导航列表浏览各个病灶及其详细信息，并通过点击导航列表实时定位各个病灶，亦有助于缩短住培医师的阅片时间。此外，本研究结果还发现，试验组住培医师的诊断信心稍高于对照组。这可能是由于乳腺 AI 辅助系统不仅会在钼靶图像上标注出各个可疑病灶，并可自动生成 AI 影像报告，这些报告包含各个可疑病灶的位置、大小、结节类型、BI-RADS 分类、良恶性可能性等详细信息，使得住培医师在阅片诊断时能够相互印证，提高住培医师的诊断信心。本研究存在一定局限性。首先，本研究仅对在本院放射科的住培医师进行了单中心教学研究，样本量相对较小，其普遍适用性尚需多中心大样本的教学研究进一步验证。第二，本研究评估了乳腺 AI 辅助诊断系统对于放射科规范化培训的效果，而对于在临床中逐步推广的肺结节 AI、肋骨骨折 AI 以及联合多种 AI 辅助诊断系统的培训效果尚不清楚，未来可进一步探索。综上所述，乳腺 AI 辅助诊断系统有助于提高放射科住培医师的乳腺肿物诊断准确率，为放射科规范化培训提供一种高效的“AI+教育”模式。