基于人工智能的乳房X线微钙化诊断乳腺癌

本研究介绍了一种深度学习系统，用于快速，自动检测和分类乳房x光片中的微小钙沉积（微钙化），以帮助早期乳腺癌诊断。利用4810张活检证实的乳房x线照片的多中心数据集，我们的管道使用具有特征金字塔主干的更快RCNN模型来检测和分类微钙化-管道不需要手动调整规则，并在几秒钟内提供每个图像的整体癌症风险和突出显示的病变区域。在未见的测试数据上，它在良恶性乳房区分方面的总体分类准确率达到72%，在恶性乳腺癌预测方面的敏感性达到78%，这标志着人工智能辅助的、具有成本效益的乳腺癌筛查朝着可以在标准放射工作站上运行的方向迈出了重要一步。

　　

每年，数以百万计的女性接受乳房x光检查以筛查乳腺癌，然而微小的钙斑——被称为微钙化——经常逃避检测或被误读，导致延误诊断或不必要的活组织检查。传统的计算机辅助工具依赖于手工制作的规则，并与各种成像设备和病变模式作斗争。

在复旦大学上海癌症中心的余科达博士最近领导的一项研究中，开发了一种新的深度学习方法，可以自动发现并分类不同机器和患者群体的微钙化，从而提高乳腺癌筛查的准确性和一致性。

“微钙化可能只有几个像素宽。因此，在正常组织中发现它们就像大海捞针一样，”余博士解释说。“我们想要一个适应任何乳房x光检查的系统，永远不会忽视早期预警信号。”

该团队的创新基于两个关键进展：

1. 自适应，多尺度检测：通过将更快的基于区域的卷积神经网络（R-CNN）模型与特征金字塔网络（FPN）相结合，该管道融合了多个分辨率的特征，使其能够定位粗簇和单个斑点，而无需手动调整阈值。

2. 强大的多中心培训：该系统接受了来自三家医院的4810张活检证实的乳房x光片（6663个病变均匀地分为良性和恶性）的培训，自动标准化每张图像，因此它可以在不同的扫描仪和临床环境中无缝工作。

在盲测中，管道处理每张乳房x光片，在微钙化病变水平上达到约75%的总体准确率，在恶性病变水平上达到76%的灵敏度，在乳房水平上达到约72%的准确率。

余博士补充说：“该解决方案可以直接部署在标准放射工作站上。“通过在每张乳房x光片上预先标记可疑区域，它使放射科医生能够快速关注关注的区域，大大减少了漏诊和不必要的活检，从而减轻了患者的不适，降低了医疗成本。”

该研究团队已经开放了代码的源代码，他们下一步的重点将是将该系统整合到临床工作流程中，目的是为更广泛的乳腺癌筛查提供可靠的人工智能驱动工具。

这项研究发表在《基础研究》杂志上。

Artificial intelligence-based diagnosis of breast cancer by mammography microcalcification