乳腺癌是全世界範圍內最常見的女性惡性腫瘤，而乳腺鉬靶檢查是檢測早期乳腺癌的主要方式和有效途徑。為了評估癌症風險，美國放射學會建立了乳腺成像報告和數據係統(BI-RADS)來對乳腺病變進行分層。BI-RADS報告係統使放射科醫生能夠清晰、一致地將結果傳達給轉診醫生，並給出最終評估和具體建議。

        BI-RADS 1代表陰性發現，2代表良性發現，3-6意味著惡性的概率越來越大。特別是，當乳腺鉬靶檢查無法評估，需要進一步的影像學檢查進行診斷時，該病變則被定義為BI-RADS 0。進一步的影像學檢查是提高BI-RADS對乳腺病變分類診斷性能的有效方式[。然而，這些程序則會增加患者的焦慮和檢查費用。

        近年來，使用基於深度學習技術(主要是深度神經網絡)的人工智能(AI)係統在各種醫學圖像分析任務中獲得了巨大成功。具體來說，大量的研究已經證明了乳腺鉬靶的病變檢測性能非常出色。此外，基於深度學習的人工智能係統在識別乳腺鉬靶中的乳腺癌方麵也能取得優於放射科醫生的表現。然而，據我們所知，目前還沒有關於人工智能係統協助放射科醫生評估或判析BI-RADS 0病例能力的相關研究。

        近日，發表在EuropeanRadiology雜誌的一項研究探討了人工智能乳腺鉬靶診斷係統在協助放射科醫生提高BI-RADS 0病例的評估準確性方麵的價值，為提高放射科醫生的診斷一致性以及患者的診斷準確性提供了技術支持及保障。

        本研究納入了2011年1月至2019年1月期間收集的34654份連續的數字乳腺鉬靶研究，其中，來自1010名初始評估為BI-RADS 0患者中的1088例在2年的隨訪期間被召回，並用於本研究中。兩位中級放射科醫生在本研究開發的AI係統的協助下，對這些BI-RADS 0病例進行了回顧性的重新評估。此外，四名初級放射科醫生被分成兩組，分別對80個有人工智能和沒有人工智能的病例進行交叉閱讀。以隨訪診斷或活檢結果為參考標準，對診斷效果進行了評估。

        在1088個病例中，有626個實際上是正常的(BI-RADS 1，不需要召回)。在人工智能係統的協助下，351(56%)和362(58%)個正常病例被兩位中級放射科醫生正確識別，因此可以避免不必要的隨訪。然而，他們分別錯過12個(10個浸潤性癌症和2個導管原位癌)和6個(浸潤性癌症)的惡性病變。這些遺漏的病變並不是高度惡性的腫瘤。引入AI後，入門級放射科醫生的評分間可靠性從0.20提高到0.30(P < 0.005)。

        圖一名47歲的女性患者。左圖：R-MLO視圖。放射學報告顯示，右乳在乳暈區有一個腫塊(箭頭所指)(BI-RADS 2)。右圖。L-MLO視圖。左側乳房有不對稱的高密度(箭頭，BI-RADS 0)。AI係統沒有在兩個乳腺中發現任何異常。隨訪的超聲檢查證明兩個乳腺均為陰性(BI-RADS 1)。

        本研究表明，人工智能係統可為BI-RADS 0乳腺鉬靶的診斷性能的提高方麵的提供較高的附加價值。本研究發現，人工智能係統可以協助中級放射科醫生有效地減少不必要的隨訪，且不會造成高度惡性腫瘤的漏診。綜上所述，本項研究可以促使人們進一步發展和了解人工智能係統在提高不確定的BI-RADS 0乳腺鉬靶病變的臨床決策方麵的作用。

        原文出處：

        Chunyan Yi,Yuxing Tang,Rushan Ouyang,et al.The added value of an artificial intelligence system in assisting radiologists on indeterminate BI-RADS 0 mammograms.DOI:10.1007/s00330-021-08275-0