人工智能辅助胸部CT识别放射学显著偶发乳腺病灶的价值研究

本研究针对胸部CT检查中放射科医师易漏诊的放射学显著偶发乳腺病灶(RSIBL)，开发了基于视觉分类器(VC)和自然语言处理(NLP)的人工智能(AI)辅助检测系统。通过对3541例胸部CT的多中心回顾性分析发现，AI算法使RSIBL检出率从39.5%提升至90.8%，并通过针对性阅片流程减少97.3%的图像复核量，为乳腺癌早期筛查提供了高效解决方案。

　　

乳腺癌作为女性最常见的恶性肿瘤之一，早期诊断对改善预后至关重要。然而在常规胸部CT检查中，乳腺组织虽被连带扫描，却常因检查目的不同、病灶体积较小或乳腺组织密度较高等因素被漏诊。据统计，偶发乳腺病灶在CT中的漏诊率高达60.5%，而这类病灶经病理证实恶性率可达70%，凸显现有诊断流程存在重大改进空间。

为突破这一临床困境，Virtual Radiologic Co.等机构的研究团队开发了创新性的人工智能辅助检测系统。该研究纳入3541例2017年6月进行的胸部CT检查（89%为CT肺动脉造影），采用视觉分类器(VC)分析图像特征，配合自然语言处理(NLP)解析放射科报告，构建了高效的双算法筛查体系。研究结果显示，AI系统使放射学显著偶发乳腺病灶(RSIBL)的检出率从原始报告医师的39.5%(30/76)显著提升至90.8%(69/76)，同时通过针对性阅片流程，将需要复核的图像数量减少97.3%，相关成果发表于《Current Problems in Diagnostic Radiology》。

关键技术方法包括：1) 视觉分类器(VC)算法分析DICOM图像，检测≥0.5cm的乳腺病灶；2) 自然语言处理(NLP)算法解析标准化放射报告；3) 由两名腹部放射科医师(T.J.F和B.W.T)独立复核算法标记病例；4) 采用RectLabel软件(v3.07.1)进行病灶标注分析；5) 统计学分析使用Excel和Prism 9软件。

研究结果部分显示：
【Reader Review of CT Examinations】
在262例需复核病例中，AI算法检出69例RSIBL，显著高于原始报告的30例。其中46例为临床漏诊病灶，直径(1.4±0.7cm)明显小于被识别的病灶(3.0±1.6cm,P<0.001)。

【RSIBL Characteristics】
75例可测量病灶的平均直径为1.9±1.3cm，59例(78.7%)边缘清晰(0-25% obscuration)。值得注意的是，漏诊与已识别病灶的边缘遮蔽程度无统计学差异(P=0.89)。

【Workflow Efficiency】
与传统全图像双盲复核需313,024张图像相比，AI标记病灶加30张相邻切片的复核方案仅需8,517张图像，效率提升显著。

该研究证实，AI辅助系统能有效识别被忽略的小型乳腺病灶，且不受乳腺组织密度影响。虽然视觉分类器存在67.9%的假阳性率(178/262)，但通过自然语言处理的预筛选和针对性复核流程，极大优化了临床工作流程。研究创新性地证明，在保持高灵敏度(90.8%)的同时，AI辅助系统可将放射科医师的工作量降低至传统方法的2.7%，为乳腺癌的早期筛查提供了可推广的解决方案。这些发现对提高偶发乳腺病灶的检出率、优化医疗资源配置具有重要临床价值，也为AI在医学影像领域的应用提供了新范式。