关键词:
人工智能
乳腺癌
超声成像
乳腺X线摄影成像
信息熵
责任帧
摘要:
研究背景乳腺癌是全球最常见癌症之一。据2021年全球癌症负担报告显示,乳腺癌的发病率逐年上升,已成为癌症之首,严重危害广大女性的生命健康。因此,早期精准诊疗乳腺癌尤为重要。早期筛查和诊断是降低乳腺癌死亡率的重要方法。目前,临床诊断乳腺癌的方法主要包括:触诊、数字化乳腺X线摄影检查、核磁共振成像、超声成像等,它们各有优缺点,但超声成像作为一种实时、无创、无辐射、性价比高、可重复的方法,不受乳腺腺体组织类型的限制,尤其适用于亚洲女性的致密型乳腺肿瘤,因而已广泛地应用于乳腺疾病的筛查。因此,进一步挖掘超声图像所携带的信息,对于提高乳腺癌的早期检出率和诊断准确性具有重要的意义。近年来,人工智能(artificial intelligence,AI)技术飞速发展,逐步在各个领域影响着人们的生活。AI可为临床医生在诊断过程中提供辅助信息,其准确性逐步提高,并可对一些重要治疗决策提供个体化的分析。通过算法能够从医学图像中提取大量肉眼无法观察的诊断信息,提高病变的计算机检出率。但超声成像参数差异大和信噪比低的缺点,影响了超声数据的AI研究深入。当前基于乳腺超声影像的AI研究主要集中于目标检测、良恶性分类及转移预测。已发表的基于乳腺超声数据的AI研究文献中存在如下问题:(1)各研究中的图像输入尺寸单一;(2)AI模型选取随意性较大,未比较轻量级神经网络模型和密集型神经网络模型的差异;(3)未分析AI模型在不同图像输入尺寸状态下的差异;(4)缺乏与医师诊断结果的对比。因此,本研究第一部分提出科学假设:(1)经过AI训练的超声图像能够筛选出适用于乳腺肿瘤诊断的最佳模型和最佳尺寸,(2)利用最佳模型和最佳尺寸,AI的诊断乳腺肿瘤的准确性能够超过高年资医师诊断乳腺癌的准确性。基于乳腺超声图像诊断在很大程度上取决于超声医生的诊断经验。由于我国乳腺癌患者数量多,经验丰富的超声医生严重不足且工作量巨大,较易出现漏诊和误诊。因此,计算机辅助诊断(computer-aided diagnostic,CAD)在乳腺肿瘤诊断中具有巨大的应用前景。目前超声成像乳腺肿瘤的研究多基于静态图像,需要医生选择出对疾病有诊断意义的图像(即责任帧),AI模型分析时采用这些医生选择帧而非视频所有帧,这意味着可用于AI分析的数据已被超声医生所过滤,从而可能降低AI的诊断效能。首先,视频是一系列图像的集合,不仅包含全部连续静态图像信息,也包含时间信息,而医生选择图像会忽视这些信息,从而影响AI模型的诊断效能;其次,不同级别医生对同一疾病的认识程度不同,在存储图像时会有差异,可能会遗漏重要信息。因此,若AI模型能学习连续的视频影像,并从中自动选取责任帧,有可能提高诊断效能。因此,我们提出特征熵(feature entropy,FE)代表不同特征维度的信息熵,最终可形成特征熵矩阵。可以通过特征熵减少的方式,在不增加额外训练参数的前提下,实现自视频中抽取责任帧用于判断的功能,且能够贡献特征不重复的多张责任帧。综上所述,在临床医生进行乳腺肿瘤超声诊断时,诊断结果是依据在动态扫查中认为捕捉的静态停帧所得出的,这些停帧是否代表了乳腺肿瘤患者的最佳诊断图像并不明了。利用AI技术自动捕捉的超声图像停帧是否优于高年资医生所捕捉的停帧并未可知。利用AI技术捕捉停帧的诊断水平是否因此高于高年资超声和X线摄影医师的水平尚未研究。鉴于这些科学问题,本研究第二部分提出如下假设:(1)在动态视频中AI模型自动抓取责任帧的能力不亚于高年资医师的选帧能力;(2)AI模型由自动抓取的动态视频责任帧所做出的乳腺肿瘤诊断准确性高于高年资超声和X线医师的诊断水平。第一部分应用静态超声影像智能化技术诊断乳腺肿瘤的方法学研究研究目的1.在多种AI模型和超声图像分辨率的组合对比中,以病理诊断为金标准,筛选出乳腺肿瘤诊断效能最佳的模型和分辨率组合。2.探讨最佳AI模型和超声图像分辨率组合的诊断效能在全部测试集和较难诊断的乳腺癌患者中,能否超过高年资超声和X线医师水平。3.研究超声图像分辨率对AI模型训练和测试耗时的影响。研究方法***模型训练、验证及测试(1)模型选取:采用轻量级神经网络模型(Xception和MobileNet)和密集型神经网络模型(DenseNet121 和 ResNet50)。(2)图像输入:采用224×224、320×320和448×448 pixels三种代表像素。(3)模型训练集纳入2778例(恶性774例)和验证集800例(恶性217例)乳腺肿瘤超声图像。为确保不出现交叉,同一名病人的所有图像只能出现在同一集合中。2.独立测试集:纳入1410例(恶性579例)乳腺肿瘤超声图像。(1)AI模型间诊断效能评估:通过独立测试集筛选出最佳模型和最佳图像组合,比较结果是否与验证集结果吻合。(2)最佳AI模型与临床