Radiology:利用深度学习进行乳腺癌筛查分类:一项英国回顾性研究。

据统计，乳腺癌是全世界女性中最常见的癌症。所有的国家乳腺癌筛查项目都旨在早期发现癌症，但在患者筛查的年龄范围、长度以及单次或双次读数是否使用计算机辅助检测方面有所不同。在所有项目中，大多数接受筛查的女性不会被召回进行评估，且大多数筛查阅读工作是针对正常乳腺钼靶图像，导致重复性较高，同时高容量的任务容易导致阅读者疲劳。

减少阅读者工作量的一种选择是使用深度学习(DL)算法，可自动将癌症可能性较低的乳腺钼靶检查分类为“正常”。在这种情况下，低于阈值的乳腺钼靶体香会被自动分配为“正常”结果，不会被医生重复读取。最近的研究表明，这种方法可以使放射科医生阅读的乳腺钼靶数量减少17.0%-91.0%，同时遗漏0.0%-7.0%的癌症病例。

对于高度可疑的乳腺钼靶图像，独立DL分诊的另一种用途是对这些DL评分高的病例进行分诊，以便自动转诊进行评估或补充成像。这种计算机辅助检测分诊(CADt)规则方法可以提高间隔期和随后的筛查轮检测(以下简称后轮)癌症的检测，从而通过早期检测乳腺癌来潜在地改善患者的生存预后。

近日，发表在Radiology杂志的一项研究探讨了深度学习(DL)算法通过识别正常结果来对乳腺钼靶检查进行分类的能力及价值，以减少工作量或标记可能被忽视的乳腺癌。

在本项回顾性研究中，使用2015年1月至2017年12月和2017年1月至2018年12月来自两个英国乳腺筛查项目站点的连续乳腺钼靶图像，在两家乳腺钼靶检查供应商的设备上调查了三种商业DL算法。随访3年的正常乳腺钼靶图像和在筛查、随后一轮或3年间隔中发现的组织病理学证实的癌症被包括在内。研究设置了两个算法阈值:在场景A中，对单独的读者进行排除分类的灵敏度为99.0%，在场景B中，大约有1.0%的额外召回率，为进一步评估提供规则分类。然后将这两个阈值应用于场景c中的筛选工作流程。灵敏度和特异性用于评估每种DL算法的总体预测性能。

该数据集包括78849例患者(中位年龄59岁[IQR, 53-63岁])，其中筛查检出的癌症887例，间隔期检出的癌症439例，后续筛查轮检出的癌症688例。在场景A(排除分类)中，DL-1、DL-2和DL-3模型分别对35.0%(78849例中的27565例)、53.2%(78849例中的41437例)和55.6%(78849例中的43869例)的乳腺钼靶照片进行分类，对筛查发现的未发现的癌症进行0.0%(887例中的0例)至0.1%(887例中的1例)的分类。在场景B中，DL算法在常规双读工作流程后应用时，在4.6%(439例中的20例)至8.2%(439例中的36例)的间隔和5.2%(688例中的36例)至6.1%(688例中的42例)的后续轮癌症中进行分类。在场景C中，结合两种方法可获得总体非劣势特异性(差异为-0.9%;P < 0.001)和优越的敏感性(差异2.7%;P < 0.001)与所有三种算法的常规双读相比，适用于自适应工作流。

表 基于DL算法的规则输入和排除分类组合方法(场景C)

本项研究表明，适应DL的排除和纳入分诊流程可提高乳腺钼靶检查乳腺癌筛查的效率和价值。

原文出处：

Sarah E Hickman,Nicholas R Payne,Richard T Black,et al.Mammography Breast Cancer Screening Triage Using Deep Learning: A UK Retrospective Study.DOI:10.1148/radiol.231173