优化乳腺X线摄影筛查中AI辅助决策:聚焦不确定性处理

《Insights into Imaging》:Optimizing AI-assisted decision-making in mammography screening: focusing on uncertainties

【字体: 大 中 小 】 时间:2026年10月14日 来源:Insights into Imaging 5.6

编辑推荐:

  目的:评估一种基于AI的决策支持系统在乳腺X线摄影判读中的应用效果,并评估其对诊断性能的影响。 材料与方法:这项回顾性研究分析了来自多中心的130,838份乳腺X线摄影图像,涉及35,709例具有确认随访结局的患者,并使用乳腺摄影筛查数字数据库(Digita

  
目的:评估一种基于AI的决策支持系统在乳腺X线摄影判读中的应用效果,并评估其对诊断性能的影响。

材料与方法:这项回顾性研究分析了来自多中心的130,838份乳腺X线摄影图像,涉及35,709例具有确认随访结局的患者,并使用乳腺摄影筛查数字数据库(Digital Database for Screening Mammography, DDSM)进行外部验证。该数据集代表了中东地区最大的数据集之一,用于评估模型在代表性不足人群中的泛化能力。AI超级模型整合了基于UNet的独立病变分割网络、用于钙化检测的高分辨率模型(4096)、用于宏观病变的多分辨率集成模型(4096、2048、1024)以及用于恶性风险预测的风险评估模型。放射科医生在五种情景下判读图像:无辅助、AI辅助、AI在不确定病例中作为最终决策者、放射科医生与AI决策在不确定病例中的联合,以及独立AI判读。

结果:AI辅助在所有情景中均显著提升了诊断性能。基于汇总的阅片者表现,AUC从无辅助时的83.04%(95% CI:79.8-86.3)提升至联合情景下的88.40%(95% CI:85.6-91.2)(p?
结论:AI在乳腺X线摄影判读中的应用提高了诊断准确性并减少了不确定性,有助于早期乳腺癌检测和优化筛查工作流程。
**论文解读:AI在乳腺X线摄影筛查中的决策支持优化——基于不确定性处理的多场景评估**

**一、研究背景与问题提出**

乳腺癌是女性癌症相关死亡的首要原因,约影响八分之一的女性,2020年造成165亿美元的经济负担。尽管早期诊断下五年生存率可达80-90%,乳腺癌发病率仍在上升,预计到2030年70%的增长将出现在低收入和中等收入国家。世界卫生组织(WHO)推荐乳腺X线摄影筛查项目以实现及时检测。然而,现行筛查项目在方法(如美国采用单次阅片而欧洲采用双次阅片)、起始年龄(40-50岁)及筛查间隔(每年至每三年)上存在差异。乳腺X线摄影作为主要影像学手段,面临假阳性、过度诊断及间期癌带来的成本效益挑战。放射科医生和放射技师的工作负荷压力与人员短缺,促使研究者探索计算机辅助检测(computer-aided detection, CAD)等替代策略以提升效率和维持筛查项目的可持续性。

传统乳腺X线摄影CAD系统的研究显示其诊断性能提升有限,灵敏度与双次阅片相当但召回率更高,引发了成本效益方面的担忧。这些系统受限于高假阳性率、可重复性差、阅片时间长以及偏爱钙化检测而忽视软组织异常和结构扭曲的检测偏倚。这些局限性源于依赖人工标注提取的手工特征,限制了适应性和精确性。将CAD系统整合入临床工作流程面临复杂挑战,因为这些系统必须达到"临床相关阈值"而不增加召回率,这可能使资源紧张,且需要人工监督以管理特异度。因此,尽管AI技术在乳腺X线摄影领域展现出前景,仍需进一步研究以确定其临床效用并优化实施策略。

**二、研究目的与实施内容**

针对上述问题,研究人员开展了一项多中心回顾性研究,开发了一种基于UNet风格神经网络的先进AI模型用于病变检测,并结合风险评估模型辅助放射科医生进行乳腺X线摄影判读。研究共分析了来自伊朗多家学术和私立医院及放射学中心的130,838份高质量筛查乳腺X线摄影图像,对应35,709例具有确认随访结局的患者(2009年5月至2020年12月),代表了中东地区该领域最大的数据集之一。使用乳腺摄影筛查数字数据库(DDSM)的精选版本CBIS-DDSM作为外部验证队列,该数据集包含1566名女性的四种标准视图乳腺X线摄影图像(752例活检证实恶性,666例活检证实良性,148例经专家评估为良性)。内部数据集按70%、15%、15%分为训练集、验证集和测试集。

**三、关键技术与方法**

研究人员提出了一种AI超级模型架构,整合了多个专门的深度学习网络:钙化分割模型采用高分辨率(4096)输入的UNet风格网络以准确检测包括微小钙化在内的病变;宏观病变分割采用三个不同分辨率(4096、2048、1024)的UNet风格网络;最终阶段将分割模型输出和原始图像结合输入深度神经网络(DNN)计算整体风险评分。训练采用分步策略,先训练分割模型并冻结,再以其输出和嵌入作为输入训练风险评估模型。使用像素级平衡交叉熵损失函数处理医学图像分割中的类别不平衡,采用病变捕获率(LCR)和每图假阳性率(FPR)以及修改的F2指标评估模型。风险评估模型以病理证实癌症病例为阳性样本,以至少两年随访的阴性病例为阴性样本。在临床阅片研究中,四名经验不足6年的初级放射科医生(分别有4、3、5、2年乳腺X线摄影经验)在盲法阅片环境中独立判读600例随机选择的筛查病例(2202张乳腺X线摄影图像,120例阳性,480例阴性),包含五种应用场景评估。

**四、主要研究结果**

**1. 超级模型各组件性能表现**

钙化分割模型实现了92.99%的病变捕获率、每图0.1的假阳性率和92.43%的F2分数,展示了检测钙化的卓越精确性和可靠性。宏观分割模型实现了90.00%的病变捕获率、每图0.89的假阳性率和77.71%的F2分数,尽管假阳性率略高于钙化模型,仍表现出有效的性能。风险评估模型在病理证实标签和至少2年随访的阴性病例基准上,实现了82%的灵敏度(95% CI 78.5-85.5)、74%的特异度(95% CI 72.9-75.1)和88%的AUC(95% CI 85.9-90.1)。

**2. 不同应用场景下AI超级模型的诊断性能**

基于汇总阅片者表现,无辅助放射科医生的AUC为83.04%(95% CI 79.8-86.3),AI辅助情景提升至83.96%(95% CI 80.8-87.1),不确定病例中AI决策情景(I/U)提升至84.33%(95% CI 81.2-87.5),联合模型实现最高AUC为88.40%(95% CI 85.6-91.2),所有情景均实现统计学显著改善(p值<0.001)。不确定病例分析显示AUC为88.14%(95% CI 84.2-92.1),凸显了AI在不确定诊断情境中的强效表现。

**3. 灵敏度与特异度评估**

在不确定排除分析中,无辅助放射科医生的灵敏度从54.8%(95% CI 48.6-61.0)提升至AI辅助时的59.0%(95% CI 52.7-65.0),在AI参与不确定病例决策情景中显著上升至70.5%(95% CI 64.9-76.2),在联合模型中达到最高83.9%(95% CI 79.3-88.4)(p<0.001)。特异度方面,联合模型实现91.1%(95% CI 89.8-92.4),显著高于无辅助放射科医生的83.6%(95% CI 82.0-85.6)(p<0.001)。

**4. 召回评估与ROC曲线分析**

受试者工作特征(Receiver Operating Characteristic, ROC)曲线分析显示,三种AI整合情景的ROC曲线均较无辅助情况有所改善,其中联合情景在所有决策区间均优于其他情景,尤其在灵敏度和特异度超过60%的决策区间表现最佳,实现了5.37%的最大AUC提升(p<0.001)。

**5. 病变检出评估**

AI的辅助显著影响了四种病变类型(肿块、结构扭曲、钙化和不对称)的漏检补充(p值≤0.04),其中钙化的补充率最高(0.0242, p值≤1E-4),作为最小且最易遗漏的病变类型,体现了AI提升诊断精确性的重要价值。

**五、讨论与结论**

研究发现,AI辅助在三种整合模式中均显著提升了放射科医生的诊断表现。联合情景虽然实现了最高灵敏度(83.9%)和最低癌症漏诊率,但伴随着召回率从18.89%上升至25.84%和阳性预测值(PPV)从40.14%下降至36.56%的权衡,适用于患者召回成本较低但癌症漏诊后果严重的临床环境。相比之下,仅在放射科医生不确定时采纳AI判断的情景在实现最高特异度(91.1%)的同时仍改善了灵敏度(70.5%),召回率降至15.85%且PPV提升至50.14%,是各项评估指标均获改善的最持续有益策略,尤其适用于召回患者成本较高的医疗环境。与既往研究比较,本研究的AUC改善幅度(1%-5.4%)与Rodríguez-Ruiz等人报告的2%及FDA实验报告的2.9%-4.6%改善一致,且联合人机决策实现最优诊断准确性的发现也印证了文献中的结论。AI特别有利于经验较少的放射科医生(2-5年乳腺X线摄影阅片经验),这凸显了AI在资深放射科医生有限的医疗环境中支持乳腺X线摄影判读的潜力。

结论:本研究展示了AI通过提升诊断准确性、灵敏度和特异度来增强乳腺X线摄影筛查的巨大潜力,尤其是对经验较少的放射科医生和具有挑战性的病例。AI与放射科医生之间的协作取得了最佳结果,凸显了将AI整合入临床工作流程的价值。研究存在的局限性包括放射科医生数量较少、回顾性设计、缺乏对最终召回率影响的评估以及未按乳腺密度、设备厂商或患者年龄进行亚组分析。未来需要更大规模、前瞻性、多中心的研究,纳入多样化人群和标准化病理结局,以验证和扩展这些发现。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号