人工智能在乳腺肿瘤影像中的应用现状及展望

摘要

人工智能技术在乳腺肿瘤影像中的应用是当前研究的热点。该文对目前常用的传统影像组学和深度学习两种方法进行介绍，评述了人工智能在乳腺肿瘤检测、分割和良性与恶性鉴别，乳腺癌分子亚型研究，乳腺癌淋巴结转移的临床评估，乳腺癌新辅助化疗疗效预测和预后评估四个方面的研究和应用现状，针对现有研究中存在的问题进行归纳和分析，并指出未来的研究方向。在全球范围内，乳腺癌已成为发病率最高的恶性肿瘤，也是女性癌症死亡的主要原因。在我国乳腺癌每年新发病例大约30万例，是女性发病率最高的恶性肿瘤。研究证实，积极有效的早期筛查可以提高乳腺癌的早诊率、降低病死率。开发基于人工智能（artificialintelligence，AI）辅助的乳腺影像诊断软件将有助于尽快提升国内外乳腺影像诊断的整体水平，提升乳腺癌的生存率。另外，乳腺影像AI应用在乳腺癌精准诊断、分期、分子分型及疗效评价等方面展示了良好的应用前景，应该努力实现临床转化。一、乳腺肿瘤影像研究中的AI技术

目前，针对乳腺肿瘤影像，国内外学者提出了多种的AI分析和处理技术，总结起来主要分为两大类：传统影像组学方法和深度学习方法。虽然两种方法在应用方向或领域上相似，均可应用于乳腺肿瘤的检测、诊断、分子分型、疗效预测和预后评估等方面，但是二者也存在一些不同，其中最主要的区别在于提取乳腺肿瘤影像学特征的方式不同。影像组学的概念最早是由荷兰学者于2012年提出，是指高通量地从医学影像中（如X线影像、CT、MRI等）提取大量的定量影像特征，运用数据挖掘的方法实现对肿瘤疾病的诊断和预测等。影像组学技术是从计算机辅助检测/诊断（computer-aideddetection/diagnosis，CAD）技术发展而来，通过挖掘海量的定量影像特征来表征肿瘤的异质性，用于辅助医师进行临床决策。在乳腺肿瘤影像的处理和分析上，影像组学方法也得到了广泛的应用，总体上来讲其处理流程主要包括：图像预处理、肿瘤分割、特征提取与优化、分类模型构建和测试等步骤。深度学习方法则不同于传统影像组学方法，它是通过多层神经网络构建端到端的模型实现乳腺肿瘤的检测、诊断和预测等。目前，卷积神经网络（convolutionalneuralnetworks，CNN）是乳腺肿瘤研究中最常用的深度学习模型。CNN模型主要是由一系列的输入层、卷积层、激活函数、池化层和全连接层组成，常见的经典模型如AlexNet、VGG、GoogleNet等已被应用于乳腺肿瘤的检测和诊断中。相比于传统影像组学模型，深度学习模型不需要预先定义特征，可以通过模型的迭代训练自动从乳腺肿瘤影像中挖掘出有价值的深层图像信息，具有更高的预测性能。但作为一种数据驱动的算法，高性能深度学习模型的训练往往需要成千上万的样本。由于目前缺乏多中心的大样本数据集，导致现有研究中的模型很难实现临床转化和应用。此外，深度学习模型的“黑箱”性质使其可解释性较差，探索基于乳腺肿瘤影像的深度学习模型可解释性方法也至关重要。二、乳腺肿瘤影像AI研究和应用现状

自20世纪60年代国内外学者就开始对AI技术在乳腺肿瘤影像中的应用展开研究。1998年美国食品药品监督管理局（foodanddrugadministration，FDA）首次批准了用于乳腺癌筛查的乳腺X线摄影CAD系统［11］。近年来，随着影像组学和深度学习等AI技术的不断发展，影像AI在乳腺肿瘤检测、分割和良性与恶性鉴别，乳腺癌分子亚型研究，乳腺癌淋巴结转移的临床评估，乳腺癌新辅助化疗（neoadjuvantchemotherapy，NAC）疗效预测和预后评估等方面的应用研究也越来越多。乳腺肿瘤影像AI的技术进步和发展，不仅促进了相关AI产品的创新与研发，同时也加速了临床转化与应用。在乳腺肿瘤检测、分割和良性与恶性鉴别方面，国内外AI团队的研究涉及乳腺X线、数字乳腺断层摄影术（digitalbreasttomosynthsis，DBT）、动态增强MRI（dynamiccontrastenhancedMRI，DCE-MRI）和乳腺超声等领域，并且已有部分转化成果产出。基于深度学习的乳腺X线AI系统，在肿块和钙化检测方面几乎与医学影像专家的水准相当，在病灶的良性与恶性判别上甚至超越了一般医学影像医师的水平，而融合X线影像和临床特征的深度学习模型，则可以进一步提升乳腺影像报告和数据系统（breastimagingreportinganddatasystem，BI-RADS）4类微钙化病灶良性与恶性鉴别的精度。在DBT、DCE-MRI影像研究方面，基于影像组学的AI模型可以无创辅助鉴别乳腺肿瘤的良性与恶性，具有较高的灵敏度，能够辅助降低推荐的活体组织检查次数。此外，基于超声影像的AI系统也可以对乳腺肿块进行更细致的分类，提高诊断准确度，指导乳腺肿瘤患者的治疗。目前，应用于临床的乳腺相关辅助诊断系统大多集中于乳腺传统X线成像，国产乳腺影像相关AI产品的性能接近国际产品水平，但尚未有AI辅助乳腺影像诊断软件真正的落地。部分国外已经通过FDA批准的项目目前正在国内开展临床试验，希望能尽快应用于临床。乳腺癌的临床亚型与治疗方案选择密切相关，可直接影响治疗效果。在乳腺癌分子亚型研究方面，AI技术可以通过图像分析预测乳腺癌的分子亚型，为治疗方案选择提供技术支持。研究证实，通过开发和验证可解释、可重复的机器学习模型，能够从临床信息、乳腺X线和MRI图像中预测乳腺癌的分子亚型。而基于超声影像的深度学习方法，则可以结合免疫组织化学方法对浸润性导管癌进行诊断，结果显示受体状态与分子亚型有很强的相关性。以上针对乳腺癌分子亚型的研究证实，融合不同模态的乳腺影像构建AI模型预测乳腺癌的分子亚型，可为临床的个性化精准治疗提供有利依据。淋巴结转移存在与否，可直接影响临床治疗决策及乳腺癌的预后。在乳腺癌淋巴结转移的临床评估方面，AI技术可以早期预测临床淋巴结阴性的乳腺癌患者腋窝淋巴结转移状态。研究证实，融合MRI影像组学特征与临床、病理和分子特征的多组学特征融合AI模型，不仅能够在治疗前准确预测早期浸润性乳腺癌腋窝淋巴结转移风险，而且可以挖掘MRI影像组学特征与肿瘤微环境（包括免疫细胞、长链非编码RNA和甲基化位点类型）之间的关联性信息。而基于超声图像的深度学习模型能通过原发性乳腺癌患者的肿瘤异质性信息，有效预测临床阴性腋窝淋巴结转移。由此可见，基于乳腺影像的AI技术可以早期预测乳腺癌的疾病发展趋势，从而为治疗争取更多的时间，延长生存时间，提高生活质量。NAC是乳腺癌规范化治疗方案之一，可以使肿瘤降期，提高患者保乳率。在乳腺癌NAC疗效预测和预后评估方面，AI技术能够挖掘乳腺肿瘤影像的异质特征，可以早期预测患者NAC疗效，实现个体化精准医疗，在乳腺癌临床诊断和综合治疗中具有指导性作用。研究证实，与OncotypeDX复发评分相关的术前DCE-MRI影像组学特征，不仅可以评估乳腺癌NAC治疗效果，还能够预测生存情况。而基于多时间点超声图像的深度学习模型，可以提升乳腺癌NAC治疗疗效预测的精度。因此，基于乳腺影像的AI技术可以早期预测乳腺癌NAC疗效和预后，从而为患者提供个性化的精准治疗方案。三、乳腺肿瘤影像AI研究的挑战和方向

虽然乳腺肿瘤影像中的AI技术已得到了广泛的研究，但是到最终的临床落地应用仍存在一定的距离，主要是因为还面临以下挑战：（1）缺少统一标准的高质量乳腺影像数据库。从数据采集到数据标注制定统一标准，从源头上解决数据标准化、归一化的问题，确保乳腺影像数据的稳定性是当务之急。（2）缺少基于多模态影像的高性能AI算法。设计和开发鲁棒性强、特异度好的乳腺影像智能分析算法，能跟踪和同步最新诊断标准和指南，整合和应用多模态影像数据（如CT、MRI、钼靶X线、超声影像等）和临床信息是大幅度提升乳腺AI系统在乳腺肿瘤诊断、分期、分子分型和疗效评价等方面准确度的关键。（3）乳腺AI算法与影像设备间兼容性不足。由于不同影像设备在乳腺影像拍摄和重建上的技术存在一定的差异，因此，AI算法的开发需要与影像设备厂商协同推进，制定针对不同设备的个性化优化方案。（4）缺乏前瞻性的临床验证与测试。现有乳腺肿瘤影像AI研究开发大多基于回顾性数据，若要应用于临床需开展大规模的多中心前瞻性研究，对其进行验证和测试。基于以上的挑战，乳腺影像AI研究可以从以下几个方面开展工作：（1）制定乳腺肿瘤标注的共识或指南，针对不同的模态，不同的成像序列，建立标注的规范，保证标注的准确性和一致性。目前针对肝脏局部病灶已经有国内发布的共识，而在乳腺方面还没有相应的共识发布。（2）构建乳腺影像标准的预处理流程。预处理可以减少来自不同设备不同中心数据之间的差异性，然而采用何种预处理方法，达到什么样的效果，目前还没有定论。另外，常规的预处理方法，包括图像重采样，灰度离散化，直方图标准化只能减少差异，并没有达到不同中心数据的一致性，基于AI技术开发新的图像预处理技术，将有助于进一步减少多中心数据的差异性。（3）基于联邦学习，开发高性能，泛化能力强的乳腺影像AI模型。因为医学影像包含患者的隐私信息，医院通常将数据保存在本地的数据库中，无法广泛共享。联邦学习是一种多中心数据协作的解决方案，学习过程中，只从各个中心收集参数，而将原始数据保留在本地。针对不同中心设备不同，扫描参数不同，也通过联邦领域泛化可以训练得到泛化性更好的模型。（4）开展乳腺多模态影像AI研究。在分子生物学领域，多组学分析方法作为一种革命性的技术在肿瘤的研究中发挥了巨大的作用，其克服了单一组学数据提供信息的片面性，通过整合不同组学信息，更加全面地了解肿瘤的发病和进展机制，对肿瘤的诊疗产生了巨大的影响。医学影像同样可以通过多模态获取多方位的信息，包括结构信息、功能信息以及分子信息。乳腺癌患者通常会做各种影像学和病理学检查，因此可以通过整合X线、CT、MRI、超声等多种模态的图像信息，给予乳腺癌更精准的诊断，更精准的预后评估，更精准的治疗灵敏度预测。（5）开展前瞻性乳腺影像AI研究。回顾性研究难以保证数据的采集和入组信息的一致性，而前瞻性研究可以提前确立好影像扫