人工智能S-detect技术在超声BI-RADS 4类乳腺肿块中的应用价值.pdf

论 著第 36 卷第 17 期医学信息Vol.36 No.172023 年 9 月Journal of Medical InformationSept.2023作者简介：贺芳（1989.10-），女，湖南宁乡人，硕士，住院医师，主要从事乳腺超声诊断工作人工智能 S-detect 技术在超声 BI-RADS 4 类乳腺肿块中的应用价值贺 芳1袁肖际东2袁郭 阳3渊1.长沙市第三医院超声科袁湖南 长沙410035曰2.中南大学湘雅三医院超声科袁湖南 长沙410013曰3.哈尔滨医科大学第一临床医学院袁黑龙江 哈尔滨150007冤摘要院目的探究人工智能S-detect技术在超声BI-RADS 4类乳腺肿块中的应用价值遥方法选取2018年2月-2020年2月在中南大学湘雅三医院进行乳腺超声检查的女性患者73例作为研究对象袁同时进行了S-detect检测遥以组织学病理结果为金标准袁分析S-detect技术在辅助常规超声前后在BI-RADS 4类乳腺肿块中诊断效能遥结果以组织学病理结果为金标准袁常规超声对76例乳腺肿块进行BI-RADS分类的正确率为72.37%尧S-detect检测的正确率为71.05%袁二者结合诊断的正确率为81.58%遥常规超声尧S-detect检测及S-detect辅助超声的受试者工作特征曲线下面积分别为0.724尧0.746和0.838袁后者具有最佳的AUC值渊 约0.05冤遥结论S-detect技术能有效提高常规超声对BI-RADS 4类乳腺肿块的诊断效能袁减少不必要肿块活检遥关键词院BI-RADS 4类曰S-detect技术曰人工智能曰乳腺肿块中图分类号院R737.9文献标识码院ADOI院10.3969/j.issn.1006-1959.2023.17.022文章编号院1006-1959渊2023冤17-0115-04Application Value of Artificial Intelligence S-detect Technologyin Ultrasound BI-RADS 4 Breast MassesHE Fang1,XIAO Ji-dong2,GUO Yang3(1.Department of Diagnostic Ultrasound,the Third Hospital of Changsha,Changsha 410035,Hunan,China;2.Department of Diagnostic Ultrasound,the Third Xiangya Hospital of Central South University,Changsha 410013,Hunan,China;3.The First Clinical Medical College of Harbin Medical University,Harbin 150007,Heilongjiang,China)Abstract：ObjectiveTo explore the application value of artificial intelligence S-detect technology in ultrasound BI-RADS 4 breast masses.Methods A total of 73 female patients who underwent breast ultrasound examination in the Third Xiangya Hospital of Central South University fromFebruary 2018 to February 2020 were selected as the research objects,and S-detect detection was performed at the same time.The diagnostic efficacyof S-detect technique in BI-RADS 4 breast masses before and after conventional ultrasound was analyzed with histopathological results as the goldstandard.Results With the histopathological results as the gold standard,the accuracy of BI-RADS classification of 76 cases of breast masses byconventional ultrasound was 72.37%,the accuracy of S-detect detection was 71.05%,and the accuracy of combined diagnosis was 81.58%.The areaunder the receiver operating characteristic curve of conventional ultrasound,S-detect detection and S-detect assisted ultrasound were 0.724,0.746and 0.838,respectively,and the last one had the best AUC value(0.05).Conclusion S-detect technology can effectively improve the diagnosticefficiency of conventional ultrasound for BI-RADS 4 breast masses,and reduce unnecessary mass biopsy.Key words：BI-RADS 4 category;S-detect technology;Artificial intelligence;Breast mass乳腺癌（breast cancer）作为全球最常见恶性肿瘤1，其每年新增病例的数量不断增加，已经成为世界范围内备受关注的重大公共卫生问题2。常规超声作为乳腺恶性肿瘤筛查、乳腺病变鉴别诊断常用影像学技术之一，具有无创、无辐射、经济、便捷等特点3，4。2003 年美国放射学学会（American College ofRadiology，ACR）提出了乳腺成像报告和数据系统（Breast Imaging Reporting and Data System，BI-RADS）用于规范乳腺影像学术语的描述和评估乳腺病变的潜在恶性程度，更好的对乳腺病变进行管理。其中，BI-RADS 4 类的乳腺病变是一类可疑恶性的病变组织，被细分为 a、b 和 c 3 个亚类，恶性概率为 2%95%5。即使随着超声设备的技术改进和超声医师的经验增加，BI-RADS 4 类的亚分类备受研究学者的争议，受到个人风险因素影响较大，难以均匀适用6-8，尤其对于基层医院医生或缺乏丰富经115论 著第 36 卷第 17 期医学信息Vol.36 No.172023 年 9 月Journal of Medical InformationSept.2023验的低年资医生更具挑战性。人工智能 S-detect技术是一款基于深度学习模式的计算机辅助超声诊断技术，已广泛应用于超声诊断乳腺及甲状腺等病变，相关研究证明了其在临床应用的潜在价值9。但目前关于人工智能技术在乳腺超声 BI-RADS 4 类肿块中的应用价值研究较少。因此，本研究通过 S-detect 技术辅助乳腺超声对 BI-RADS4 类乳腺肿块进行良恶性鉴别诊断，评估其在BI-RADS 4 类乳腺肿块中的应用价值，旨在辅助超声及临床医师更为客观、准确的对肿块风险性进行评估和管理。1资料与方法1.1 一般资料 选取 2018 年 2 月-2020 年 2 月在中南大学湘雅三医院进行乳腺超声检查的女性患者73 例作为研究对象。纳入标准：淤常规超声分类为BI-RADS 4 类的乳腺肿块患者，分类包括 BI-RADS4a 类、4b 类及 4c 类，同时患者进行了 S-detect 技术检测；于患者乳腺肿块在该院进行手术切除或者活体组织病理检查，具有完善的组织学病理诊断结果；盂患者进行乳腺超声检查之前未曾行手术治疗、活体组织病理检查、新辅助化疗等。排除标准：淤常规超声无法或难以显示的乳腺病灶；于处于孕期或者哺乳期的女性患者；盂有假体植入乳腺。1.2 方法1.2.1 常规超声 扫查使用 Samsung RS80A 彩色多普勒超声检查仪，探头 L3-12A，频率为 513 MHz。对检测到的目标肿块进行多个切面扫查，观察并记录肿块的大小、形态、内部回声、方向、边缘、钙化、后方回声特征等，并存取相关声像图。1.2.2 S-detect 技术检测 在 Samsung RS80A 彩色多普勒超声检查仪常规乳腺检查的基础上，进入 S-detect 模式，将获取到目标肿块的最大径线所在切面作为 S-detect 检测的标准切面进行检测。S-detect系统自动识别并勾画出兴趣区域范围并出具一份“可能良性”或“可能恶性”的乳腺肿块良恶性评估的二分类报告，其中包含对目标肿块的形态、方向、后方回声特征、内部回声特征、边界及边缘信息的描述，同时对报告进行保存。1.3 评价标准 超声医师根据常规乳腺超声声像学特征，并参照 ACR 提出的最新的 BI-RADS 分类标准进行评估分类，恶性特征主要表现：形态不规则、边缘毛刺、边界模糊、纵横比大于 1、内见点状或簇状钙化等10，11，其中当乳腺肿块具有 1 项恶性特征时诊断为 BI-RADS 4a 类，具有 2 项恶性特征时诊断为 BI-RADS 4b 类，具有 3 项恶性特征时诊断为BI-RADS 4c 类。乳腺肿块超声 BI-RADS 分类为 4b及以上者判定为恶性，4a 及以下者判定为良性12-14。S-detect 技术辅助超声医师进行乳腺肿块 BI-RADS分类时，超声医师在常规超声扫查获取肿块超声声像图的特征的基础上根据 S-detect 分析报告中提供的肿块描述特征进行再次 BI-RADS 分类。以上超声检查及诊断工作由具有 2 年及 8 年工作经验的 2 位超声医师共同协商完成。1.4 统计学方法 采用 SPSS 29.0 统计学软件进行数据分析。计量资料以（依）表示，计数资料以（%）表示，采用2检验。组织学病理结果作为金标准，对常规超声诊、S-detect 检测及 S-detect 技术辅助常规超声诊断的诊断敏感度、特异度和准确度进行比较分析，绘制出不同诊断方法的受试者工作特征（ROC）曲线，计算其 ROC 曲线下面积（AUC）。以 约0.05 认为差异有统计学意义。2结果2.1 组织学病理分型 最终纳入 73 例女性患者，年龄 1969 岁，平均年龄（43.12依11.28）岁；76 例乳腺肿块大小 4.136.1 mm，平均乳腺肿块大小（18.67依7.76）mm。其中，良性病灶 47 例（61.84%），包括纤维腺瘤 24 例、乳腺增生 15 例、导管内乳头状瘤 3 例、乳 腺 肉 芽 肿 性 乳 腺 炎 5 例；恶 性 病 灶 29 例（38.16%），包括浸润性导管癌 25 例、导管内原位癌2 例、浸润性小叶癌和髓样癌各 1 例。2.2 常规超声、S-detect 检测及 S-detect 辅助常规超声的诊断结果 以组织学病理结果为金标准，常规超声对 76 例乳腺肿块进行 BI-RADS 分类，其中 BI-RADS 4a 类 42 例、BI-RADS 4b 类 27 例、BI-RADS 4c 类 7 例，正确诊断 55 例（72.37%）、误诊 13 例（27.66%）、漏诊 8 例（27.59%）。S-detect 技术对 76 例乳腺肿块进行检测，正确诊断 54 例（71.05%）。在常规超声基础上结合 S-detect 对每例乳腺肿块出具的分析报告，对 76 例乳腺肿块进行再次 BI-RADS 分类结果，其中 BI-RADS 3 类 13 例、BI-RADS 4a 类 24 例、BI-RADS 4b 类 31 例、BI-RADS 4c 类 8 例，正确诊断 62 例（81.58%）、误诊 12 例（25.53%）、漏诊 2 例（6.90%），见表 1。116论 著第 36 卷第 17 期医学信息Vol.36 No.172023 年 9 月Journal of Medical InformationSept.20232.3 S-detect 技术辅助超声诊断前后乳腺肿块 BI-RADS 分类及诊断效能比较 S-detect 辅助超声对76 例乳腺肿块进行再次 BI-RADS 分类后，13 例良性乳腺病变被降级诊断为 BI-RADS 3 类；常规超声首次漏诊的 8 例 BI-RADS 4a 类乳腺肿块个数减少至 2 例。常规超声、S-detect 检测及 S-detect 辅助超声的 ROC 曲线见图 1，其 AUC 值分别为 0.724、0.746 和 0.838，S-detect 辅助常规超声对 BI-RADS4 类肿块进行诊断时具有较高的 AUC 值（约0.05），见表 2。3讨论乳腺癌作为全球最常见的恶性肿瘤，其早期诊断和治疗是改善乳腺癌患者的预后的重要因素1，15。特别是对乳腺病灶 BI-RADS 分类为 4 类的患者，正确评估其风险性显得尤为重要。因为诊断为BI-RADS 4a 类的乳腺肿块通常需要接受诊断性活检16。本研究中常规超声对 76 例 BI-RADS 4 类乳腺肿块的诊断的正确度（72.37%）、敏感度（72.41%）及特异度（72.34%），相对以往研究17中超声的诊断敏感度和特异度分别为 94%（95%：0.870.97）和84%（95%：0.740.91）并不十分理想，其原因可能在于乳腺恶性肿瘤的组织学多样化，BI-RADS 4 类恶性风险跨度大，且该类乳腺肿块良恶性超声声像学特征相对不显著，使得超声医师对该类乳腺肿块诊断时具有更强主观依赖性，导致其恶性风险性评估不理想，同时可能增加许多不必要的活检，给患者带来疼痛、心理和经济负担。随着科技的发展，目前已经有大量研究将人工智能技术应用于超声成像技术辅助对疾病进行智能诊断，特别是在乳腺及甲状腺等疾病的诊断中9。本研究中对 76 例常规超声分类为 BI-RADS 4 类（BI-RADS 4a 类 42 例、4b 类 27 例、4c 类 7 例）的乳腺肿块进行单独的 S-detect 检测，其诊断特异度仅为 59.57%，与 Xia Q 等18报道的 S-detect 技术鉴别诊断乳腺肿瘤良恶性的特异度可达 93.8%的结果有一定差异。分析其可能存在的原因：淤Samsung RS80A彩色多普勒超声检查仪配置的 S-detect 人工智能系统默认为 BI-RADS 4a 类及以上的乳腺病变认定为“可能恶性”，这可能导致部分 BI-RADS 4a 类的良性病变被判定为“恶性”；于本研究纳入的病例数偏少，可能存在偏倚；盂人工智能 S-detect 系统无法自动结合与乳腺肿块良恶性相关的年龄、病史等信息进行全面综合评估，导致有些边界欠清晰、形态不规则的乳腺炎性病变等病灶易误诊为恶性肿瘤。同时，大量研究表明16，19，20，在人工智能技术辅助下，常规超声能有效果提高其在乳腺肿块中的诊断效能，特别是能有效辅助低年资医师提高其诊断正确率。本研究基于常规乳腺超声的声像图之上，在S-detect 人工智能技术的辅助下对 BI-RADS 4 类的乳腺肿块进行再次分类，结果表明在人工智能技术的辅助下，76 例 BI-RADS 4 类乳腺肿块中的 13 例被诊断为 BI-RADS 4a 类的乳腺肿块被正确诊断为常规超声S-detect 辅助常规超声BI-RADS 4a 类BI-RADS 4b 类BI-RADS 4c 类BI-RADS 3 类BI-RADS 4a 类BI-RADS 4b 类BI-RADS 4c 类良性341121322102恶性816502216检测方法病理结果表1 S-detect辅助常规超声前后的乳腺肿块BI-RADS分类及对应的病理结果渊 冤图1各诊断方法的ROC曲线图诊断方法常规超声S-detectS-detect 辅助常规超声灵敏度（%）72.4189.6693.10特异度（%）72.3459.5774.47准确度（%）72.3771.0581.58AUC0.7240.7460.838*表2各诊断方法性能比较注：S-detect 技术辅助常规超声的 AUC 值与常规超声、S-detect技术单独应用比较，*约0.05117论 著第 36 卷第 17 期医学信息Vol.36 No.172023 年 9 月Journal of Medical InformationSept.2023良性病变，降级为 BI-RADS 3 类，从而有效减少不必要活检。此外，通过绘制各诊断方法的 ROC 曲线图可知，S-detect 辅助常规超声时诊断效果优于常规超声及单独的 S-detect 检测，具有最佳诊断效能（AUC越0.838，约0.05），并且其特异度仍保持在74.47%，进一步说明在 S-detect 人工智能技术的辅助下，常规超声能提高其对 BI-RADS 4 类乳腺肿块的良恶性诊断效能。分析其可能存在的原因：淤人工智能 S-detect 系统通出具的乳腺肿块客观的声像学特征描述及二分类报告可以减少超声医师对 BI-RADS 4 类肿块声像学特征描述的不确定性。超声医师在常规超声基础之上，根据 S-detect 分析报告对乳腺肿块超声声像学特能更快、更准确的做出判定，弥补临床经验不足的缺点，减少主观依赖性；于同时，超声医师通过问诊、触诊等方式获取患者更多、更全面的评估乳腺肿块良恶性的信息，对肿块良恶性进行综合判定，填补人工智能系统的不足之处。综上所述，人工智能 S-detect 系统可提高超声在 BI-RADS 4 类乳腺肿块中的诊断性能，减少乳腺病变患者不必要的活检操作，减轻患者的心理和经济负担。但本研究尚存在不足之处：首先，纳入样本量较小，可能导致统计结果存在部分偏倚；其次，本研究中所使用的人工智能 S-detect 系统对 BI-RADS 4a 类及以上的即判定为“可能恶性”，可能有一定程度影响到医师在阅读报告后对肿块进行再次 BI-RADS 分类的结果。参考文献院1Ferlay J,Colombet M,Soerjomataram I,et al.Cancer statisticsfor the year 2020:An overviewJ.Int J Cancer,2021.Epub aheadof print.2Spinelli Varella MA,Teixeira da Cruz J,Rauber A,et al.Roleof BI-RADS Ultrasound Subcategories 4A to 4C in PredictingBreast CancerJ.Clin Breast Cancer,2018,18(4):e507-e511.3Wang SJ,Liu HQ,Yang T,et al.Automated Breast VolumeScanner(ABVS)-Based Radiomic Nomogram:A Potential Toolfor Reducing Unnecessary Biopsies of BI-RADS 4 LesionsJ.Diagnostics(Basel),2022,12(1):172.4Lee SH,Park H,Ko ES.Radiomics in Breast Imaging fromTechniques to Clinical Applications:A ReviewJ.Korean J Ra鄄diol,2020,21(7):779-792.5Magny SJ,Shikhman R,Keppke AL.Breast Imaging Reportingand Data SystemM.In:Stat Pearls.Treasure Island(FL),2022.6金金,何文,于腾飞,等.S-Detect联合超声造影对乳腺BI-RADS4类病灶的应用价值J.中华超声影像学杂志,2023,32(5):392-398.7He P,Cui LG,Chen W,et al.Subcategorization of Ultrasono鄄graphic BI-RADS Category 4:Assessment of Diagnostic Accu鄄racy in Diagnosing Breast Lesions And Influence of ClinicalFactors on Positive Predictive Value J.Ultrasound Med Biol,2019,45(5):1253-1258.8Zhang R,Wei W,Li R,et al.An MRI-Based RadiomicsModel for Predicting the Benignity and Malignancy of BI-RADS 4 Breast LesionsJ.Front Oncol,2022,11:733260.9Zhang D,Jiang F,Yin R,et al.A Review of the Role of theS-Detect ComputerAided Diagnostic Ultrasound System in theEvaluation of Benign and Malignant Breast and Thyroid MassesJ.Med Sci Monit,2021,27:e931957.10Yuan WH,Li AF,Chou YH,et al.Clinical and ultrasono鄄graphic features of male breast tumors:Aretrospective analysisJ.PLoS One,2018,13(3):e0194651.11Yang Q,Liu HY,Liu D,et al.Ultrasonographic features oftriple-negative breast cancer:a comparison with other breast can鄄cer subtypesJ.Asian Pac J Cancer Prev,2015,16(8):3229-3232.12Eda E,Nurdan BA,Hafize A,et al.Nonpalpable BI-RADS 4breast lesions:sonographic findings and pathology correlationJ.Diagnostic&Interventional Radiology,2015,21(3):189-194.13邵玉红,张惠,王彬,等.常规超声联合全自动乳腺容积扫描技术对乳腺肿块BI-RADS分类J.中国医学影像技术,2015,31(2):258-262.14张小玲,关键,李美芝,等.超声造影对乳腺X线摄影BI-RADS 35类病变的诊断效能J.中国医学影像技术,2016,32(8):1231-1235.15Pfob A,Barr RG,Duda V,et al.A New Practical DecisionRule to Better Differentiate BI-RADS 3 or 4 Breast Masses onBreast UltrasoundJ.J Ultrasound Med,2022,41(2):427-436.16Meng M,Li H,Zhang M,et al.Reducing the number of un鄄necessary biopsies for mammographic BI-RADS 4 lesionsthrough a deep transfer learning methodJ.BMC Med Imaging,2023,23(1):82.17Tadesse GF,Tegaw EM,Abdisa EK.Diagnostic performanceof mammography and ultrasound in breast cancer:a systematicreview and meta-analysisJ.J Ultrasound,2023,26(2):355-367.18Xia Q,Cheng Y,Hu J,et al.Differential diagnosis of breastcancer assisted by S-Detect artificial intelligence systemJ.MathBiosci Eng,2021,18(4):3680-3689.19刘梦涵,贺芳,肖际东.S-detect联合声触诊组织成像定量在乳腺肿块超声诊断中的应用J.中南大学学报(医学版),2022,47(8):1089-1098.20Zhao Z,Hou S,Li S,et al.Application of Deep Learning toReduce the Rate of Malignancy Among BI-RADS 4A BreastLesions Based on UltrasonographyJ.Ultrasound Med Biol,2022,48(11):2267-2275.收稿日期：2023-07-18；修回日期：2023-07-29编辑/杜帆118