人工智能赋能乳腺超声诊断系统：面向资源匮乏地区的无技师全自动解决方案

《Scientific Reports》：An AI-enabled comprehensive breast ultrasound diagnostic system for low-resource settings without a sonographer or a radiologist

本文推荐一项针对资源匮乏地区乳腺诊断难题的创新研究。研究人员开发了一套集成人工智能的乳腺容积扫描成像(VSI-B)系统，通过Attention U-Net 3D分割模型和DenseNet分类模型的协同工作，实现了无需超声技师和放射科医生参与的自动化诊断。该系统在98例患者验证中，对恶性肿瘤检测达到100%灵敏度，AUC达0.91，为医疗资源短缺地区提供了可行的早期乳腺癌筛查方案。

　　

乳腺癌作为全球女性最常见的恶性肿瘤，其早期诊断是提高生存率的关键。然而，在资源匮乏的低收入和中等收入国家(LMICs)，标准诊断方法乳腺X线摄影（ mammography）因设备昂贵、需专业人员操作而难以普及。超声（US）虽具潜力，却受制于专业超声技师和放射科医生的严重短缺。更严峻的是，如秘鲁的研究显示，93%的乳腺癌患者为自我发现，从出现症状到开始治疗平均延迟长达407天，多数患者确诊时已为晚期，生存率大幅降低。

面对这一全球性挑战，由超声引导的容积扫描成像（Volume Sweep Imaging, VSI）技术应运而生。VSI允许经过短期（如2小时）培训的非专业人员，依据体表标志进行标准化的超声扫描，获得涵盖目标区域的视频 clips。针对乳腺的VSI-B协议已证实与标准超声检查在肿块显示方面具有高度一致性。然而，VSI-B获取的海量视频仍需放射科医生进行解读，这一瓶颈限制了其大规模应用。能否让人工智能（AI）接手后续的解读工作，实现从图像采集到诊断建议的全流程自动化？

近期发表于《Scientific Reports》的一项研究给出了肯定答案。由Emilio J. Ochoa、Luis C. Revilla、Stefano E. Romero、Benjamin Castaneda等人组成的团队，成功开发了一套名为“AI-enabled comprehensive breast ultrasound diagnostic system”的全自动诊断系统。该系统旨在彻底摆脱对超声技师和放射科医生的依赖，为资源匮乏地区提供一个完整、高效的乳腺肿块评估解决方案。

为开展此项研究，研究人员整合了几项关键技术。研究队列来源于美国罗切斯特大学此前收集的临床数据，最终纳入98例有可触及乳腺肿块的患者（共392个VSI-B超声视频和2100张标注帧）。技术核心是一个端到端的自动化流程：首先，使用三维注意力U网（Attention U-Net 3D）模型对VSI-B视频进行自动分割，识别潜在肿块区域，并辅以三维高斯滤波等后处理技术优化分割结果；接着，通过一个判别算法区分“有肿块”与“无肿块”患者；对于有肿块的患者，系统会从每个视频中选取5个代表性帧（如肿块面积最大的帧及其前后帧），然后利用微调的DenseNet等卷积神经网络（CNN）架构对这些帧进行“可能良性”或“可能恶性”的分类；最后，采用多数投票算法（Majority Voting Algorithm）整合多帧分类结果，在患者层面给出最终诊断建议。

研究结果

1. 分割

研究首先评估了肿块分割性能。未经后处理的Attention U-Net 3D模型初始Dice系数为53.7%。在应用三维高斯滤波窗口并设定0.01%的面积阈值（约对应0.2厘米直径的肿块，以避免微小非临床显著性区域的干扰）后，Dice系数显著提升至62.9%，且各折交叉验证的方差仅为0.71%，表明模型分割性能稳定且改进具有统计学意义。分割后处理流程有效平滑了数据，突出了最可能包含肿瘤的帧，提升了分割精度。

在进入分类阶段前，系统通过一个判别算法来区分“有肿块”与“无肿块”患者。该算法设定：如果一名患者的四个视频中有两个或以上被判定为无分割掩模（空mask），则将该患者归类为“无肿块”；否则，归类为“有肿块”并进入分类流程。经评估，该系统在患者层面检测乳腺肿块的灵敏度高达95.0%（即能有效找出有肿块的病人），特异性为63.0%。特异性相对较低的原因在于VSI-B协议本身针对的是有可触及肿块的患者，其中部分患者可能并无超声可见的对应肿块（即“无肿块”患者）。然而，重要的是，在区分恶性肿瘤患者与非恶性肿瘤患者（包括无肿块、纤维腺瘤、囊肿）方面，系统展现了100%的灵敏度和93.6%的特异性，这意味着所有恶性病例均被成功识别，且假阳性率控制在较低水平。

2. 分类

研究人员比较了五种主流CNN模型（MobileNet, DenseNet, ResNet, Vgg16, Inception）在帧分类任务上的表现。结果显示，DenseNet模型综合性能最优，其准确率达到87.2%，灵敏度为100%，特异性为81.8%。其他模型如Inception虽特异性略高（87.9%），但DenseNet在准确率和灵敏度上取得了最佳平衡。ResNet和Vgg16模型性能相对较差。

3. 多数投票算法

为综合利用每个患者多帧图像的信息，研究采用了多数投票算法进行最终决策。测试了不同决策阈值（20%至50%）后，发现当设定20%的帧被分类为恶性即判定该患者为“可能恶性”时，系统性能最佳，其受试者工作特征曲线下面积（AUC）达到0.91，显示出优异的诊断判别能力。

结论与意义

该研究成功验证了将人工智能与VSI-B协议相结合，实现全自动乳腺超声诊断系统的可行性。这套系统构建了一个完整的决策支持流程：对于判定为“无肿块”的病例，系统建议无异常发现；对于分类为“可能良性”的肿块，建议6个月后随访；对于“可能恶性”的肿块，则建议转诊至上级医院进行进一步评估。这不仅自动化了图像解读环节，更重要的是，它为资源匮乏地区提供了一条可操作的临床路径，弥补了从初步筛查到后续管理的关键空白。

与既往研究相比，本系统的创新之处在于其全自动化和对视频容积信息的利用。例如，此前研究如S-Detect虽然也应用AI于VSI-B图像，但其依赖医生手动选择单帧图像进行分析，且未在“无肿块”病例上进行验证。本研究则实现了从视频分割到多帧分类的全流程自动化，并明确将“无肿块”情况纳入诊断体系，更贴合临床实际。尽管所使用的Butterfly iQ+等手持式点式护理超声（POCUS）设备在图像性能上可能略逊于高端台式机，但其便携性、低成本和与“医疗箱”远程医疗平台的兼容性，使其非常适合在资源有限的环境中部署。研究表明，整套流程在普通CPU上约4分钟即可完成一名患者的分析，具备了实际应用的潜力。

当然，研究也存在一些局限性，如单中心数据、样本量有限（特别是某些类型的肿块）、未针对多发病灶进行优化等。未来的多中心前瞻性研究和更大规模的数据集将有助于进一步提升模型的泛化能力和鲁棒性。

总而言之，这项研究为解决全球乳腺癌诊断不平等问题提供了一个极具前景的技术方案。它证明了通过巧妙结合标准化图像采集协议和先进的人工智能算法，能够在极大降低对专业人力资源依赖的前提下，实现高效、准确的早期乳腺病变筛查与风险评估。这为在医疗资源匮乏地区推广乳腺癌早期检测，最终提高患者生存率带来了新的希望。