《Breast Cancer》:Impact of ambiguous breast density assessment on mammographic diagnostic performance and comparison with AI-based quantitative density measurement
编辑推荐:
背景:钼靶上的致密乳腺(DB)是乳腺癌的危险因素,并可能妨碍肿瘤的检出。美国食品药品监督管理局(FDA)发布了最终规则,要求钼靶报告包含乳腺密度信息。然而,乳腺密度的视觉评估具有主观性,可能导致相当大的观察者间和观察者内变异性。本研究旨在评估乳腺密度评估中的差
背景:钼靶上的致密乳腺(DB)是乳腺癌的危险因素,并可能妨碍肿瘤的检出。美国食品药品监督管理局(FDA)发布了最终规则,要求钼靶报告包含乳腺密度信息。然而,乳腺密度的视觉评估具有主观性,可能导致相当大的观察者间和观察者内变异性。本研究旨在评估乳腺密度评估中的差异,并检验使用人工智能(AI)进行定量乳腺密度测量的临床效用。方法:分析了来自乳腺癌患者的1,141幅钼靶图像。两位专家读者在不参考临床信息的情况下,以双盲方法独立评估钼靶表现。根据诊断不确定性,将“散在纤维腺体密度”和“不均匀致密”分类进一步细分为六组:A,几乎完全脂肪(<25%腺体);B-1,无模糊性的散在纤维腺体密度(25–40%);B-2,有模糊性的散在纤维腺体密度(41–50%);C-1,有模糊性的不均匀致密(51–60%);C-2,无模糊性的不均匀致密(61–75%);D,极度致密(>75%)。诊断性能以灵敏度和特异度进行评估。还使用EIZO Corporation开发的基于AI的软件测量了定量乳腺密度。结果:观察者内一致性良好(读者I的κ=0.76,读者II的κ=0.87)。观察者间一致性也良好(κ=0.86)。然而,临界类别的完全一致性仍然相对较低(B-2组:48%,C-1组:42%)。A、B-1、B-2和C-1组的灵敏度和特异度较高(灵敏度88.4–94.6%,特异度85.2–94.4%)。然而,C-2组(灵敏度83.4%和83.9%)和D组(灵敏度76.9%,76.9%)的诊断性能下降。基于AI的定量乳腺密度分析显示,在PMD截止值为62%时灵敏度为81.4%,在64%时为76.8%,当截止值从62%提高到64%时,灵敏度下降了4.6个百分点。将PMD截止值从50%提高到62%导致DB比例从27.6%降至9.9%。结论:视觉乳腺密度评估在散在纤维腺体密度与不均匀致密之间的模糊类别中可重复性最低。基于AI的PMD定量评估可能为检验乳腺密度与钼靶灵敏度之间的关系提供一种更具可重复性的测量方法。对所有癌症和浸润性癌症的分析显示了一个探索性PMD范围,该范围降低了DB比例而未实质性损害灵敏度和特异度。然而,这一发现在仅T1分析中未被重现,在任何PMD阈值可用于致密乳腺通知或补充筛查决策之前,需要进一步验证。
乳腺癌是全球最常见的恶性肿瘤之一,也是女性癌症相关死亡的主要原因。在日本,乳腺癌在女性癌症中发病率最高,死亡率位居第四。发病高峰出现在40岁末至60岁末之间,凸显了钼靶筛查对早期发现的重要性。钼靶可显示乳腺内的纤维腺体组织和脂肪,这些成分的比例被定义为乳腺构成或乳腺密度。目前,美国放射学会乳腺影像报告和数据系统(ACR BI-RADS)被广泛使用,将乳腺构成分为四类:几乎完全脂肪、散在纤维腺体密度、不均匀致密和极度致密,后两类统称为致密乳腺(DB)。DB在钼靶上呈不透光表现,可因遮蔽效应而掩盖恶性肿瘤。多项研究表明DB与钼靶癌症检出灵敏度降低相关。在美国,全国范围内已实施强制向筛查参与者通知DB的立法。然而,乳腺密度的视觉评估仍然具有主观性,容易受到放射科医生之间变异性的影响。不一致的DB分类可能导致不必要的患者焦虑、额外的影像学检查增加以及医疗费用上升。因此,提高乳腺密度评估的准确性和可重复性是一个重要问题。随着数字钼靶的广泛使用,基于人工智能的自动密度测量变得越来越可行。几种商业软件系统可以定量测量百分比乳腺密度(PMD),提供客观评估。然而,在亚洲人群中评估基于AI的密度测量的大规模研究仍然有限。研究人员假设散在纤维腺体密度与不均匀致密之间的模糊性是密度分类不一致的主要因素。因此,研究人员根据诊断不确定性对这些类别进行了细分,并评估了它们对一致率和癌症检出性能的影响。此外,研究人员将定性密度评估与基于AI的定量测量进行了比较。本研究旨在评估由医疗专业人员或基于AI方法评估的乳腺密度,并检验定量乳腺密度与钼靶诊断性能之间的关系,特别关注潜在的终点特异性阈值。
本研究为回顾性病例系列研究。研究人群包括2014年4月1日至2022年3月31日在川崎医科大学医院诊断为乳腺癌且诊断时钼靶可评估的患者。排除异时性或同时性双侧乳腺癌病例。本研究按照涉及人类的医学和健康研究伦理指南及其指导进行。研究方案经川崎医科大学机构伦理委员会批准(批准号6009-00)。所有钼靶图像在分析前均经匿名化处理并提取为DICOM数据。两位持有钼靶解读认证的资深读者使用5百万像素诊断显示器独立评估图像,对全部临床信息设盲。钼靶表现根据BI-RADS第4版分类:1类—阴性,2类—良性,3类—可能良性,4类—可疑异常,5类—高度提示恶性。1–2类视为阴性,3–5类视为阳性用于诊断性能分析。分类分别针对每侧乳腺(左和右)确定,每位评估者以至少3个月的间隔进行两次评估。乳腺密度最初根据BI-RADS第4版分类:A组:几乎完全脂肪(<25%腺体),B组:散在纤维腺体密度(约25–50%腺体),C组:不均匀致密(约51–75%腺体),D组:极度致密(>75%腺体)。然而,既往研究表明定性评估方法与读者间变异性相关,在临床实践中放射科医生经常遇到分类不确定的病例。特别是散在纤维腺体密度(B)与不均匀致密(C)之间的区分直接影响致密乳腺(DB)的评估。因此,研究人员假设根据定性评估中是否存在模糊性将B组和C组各分为两个亚类有助于阐明导致观察者间不一致的因素。六分类的边界在基于AI的定量乳腺密度分析之前预先设定,因此独立于AI衍生的PMD结果。具体而言,B组和C组进一步细分如下:B-1组:无模糊性的散在纤维腺体密度(约25–40%腺体),B-2组:有模糊性的散在纤维腺体密度(约41–50%腺体),C-1组:有模糊性的不均匀致密(约51–60%腺体),C-2组:无模糊性的不均匀致密(约61–75%腺体)。腺体组织百分比仅为参考指南。每位参与者的乳腺密度基于双侧乳腺的综合评估进行分类。每位读者以至少3个月的间隔评估乳腺密度两次。读者间不一致时,由两位读者进行第三次阅片,讨论后确定最终乳腺密度分类。本研究使用的六分类乳腺密度的可靠性和有效性基于重测信度、观察者间一致性以及与基于AI的乳腺密度评估的一致性进行评估。在完成钼靶分类和乳腺构成定性评估后,研究人员向Netcam Systems Corporation请求匿名化钼靶数据,并使用EIZO Corporation开发的基于AI的软件定量测量乳腺密度。EIZO评分旨在基于钼靶图像使用人工智能估算乳腺密度、评估乳腺构成、减少读者间变异性并支持客观报告。乳腺密度估算AI以DICOM数据作为输入,计算分类乳腺区域像素加权和与乳腺区域掩模内总像素和之比作为乳腺密度。该计算基于通过三个处理步骤获得的数据:对比度调整、乳腺区域估算和乳腺像素估算。视觉评估由11名持有日本乳腺癌筛查质量保证中央组织“A”级评定的医师进行,每位医师具有超过10年的筛查钼靶解读经验。在本研究中,1,353幅符合条件的图像被完全划分为互不重叠的训练集(828幅图像)和评估集(525幅图像)。来自六种不同制造商钼靶系统的图像被适当分配到两个数据集中以确保稳健性。本研究中评估的软件是EIZO Corporation专门为本次联合研究项目开发的原型应用。在性能评估中,医师的视觉评估作为参考标准。纤维腺体区域分割性能使用逐像素准确率、精确率(阳性预测值)、召回率(灵敏度)和F值(Dice系数)评估。乳腺密度使用相关系数评估,乳腺构成分类准确率(四个指南类别)和观察者间一致性使用Kappa系数评估。在独立测试数据集上评估的关键定量结果如下:对于纤维腺体区域分割(207幅无异常发现的图像),软件的准确率为0.967,精确率为0.914,召回率为0.957,F值(Dice系数)为0.933。乳腺密度估算的相关系数为r=0.930(对比个别医师主观评分的r=0.923)。乳腺构成分类准确率方面,软件在无异常发现图像上达到81.6%(与医师的81.8%相当),在所有评估图像(n=525)上的总体准确率为80.6%(对比医师的81.7%)。观察者间一致性方面,二分类(致密型vs非致密型)的κ=0.7799(对比医师κ=0.7595),四分类加权Kappa系数wκ=0.9796(对比医师wκ=0.9795)。性能评估采用定量与定性评估相结合的方式进行,证明了系统的有效性。基于AI的乳腺密度评估以连续变量计算,以0至100的百分比表示。在该定量方法中,乳腺密度≥50%定义为DB。尽管提供了双侧乳腺的结果,但参照临床数据采用对侧(未受影响)乳腺的值。乳腺密度使用MLO成像测量;然而,5例无法在相同条件下获取图像的患者被排除。主要终点为按定性乳腺密度分类的钼靶癌症检出灵敏度,特别关注六分类乳腺密度分类中灵敏度的变化。次要终点为:(1)按乳腺密度分类的钼靶特异度;(2)六分类乳腺密度分类的观察者内重测信度和观察者间一致性;(3)基于AI的百分比乳腺密度(PMD)与定性六分类之间的关联;(4)基于AI的PMD与钼靶灵敏度和特异度之间的关系,包括探索性确定钼靶灵敏度降至80%以下的PMD截止值。80%阈值是根据日本钼靶解读认证系统描述的性能标准预设的实用参考基准。灵敏度和特异度根据读者确定的最终六分类乳腺密度和基于AI的乳腺密度各水平分别呈现。为评估本研究使用的六分类乳腺密度的有效性和可靠性,每位评估者的重测信度和观察者间一致性使用考虑乳腺密度类别序数性质的二次加权Cohen's kappa系数及相应的95%置信区间进行评估。此外,呈现每个六分类组的平均AI乳腺密度百分比。六种乳腺密度类别之间AI-based PMD的差异使用Kruskal–Wallis检验评估。当总体Kruskal–Wallis检验具有统计学显著性时,使用Dunn's检验进行六类别间的post hoc两两比较,p值使用Bonferroni方法进行多重比较校正。个体类别对之间呈现的p值为这些校正后的p值。AI乳腺密度(连续变量)与六分类(序数变量)之间的关联使用Spearman秩相关系数评估。统计分析使用IBM SPSS Statistics version 30进行。
在2014年4月1日至2022年3月31日期间在本机构接受乳腺癌治疗的1,499例患者中,排除无钼靶(MG)图像的患者(n=261)、异时性乳腺癌(n=63)和双侧乳腺癌(n=34)。最终共有1,141例患者(对应2,281侧乳腺)纳入本研究。患者年龄范围为25至101岁(中位数:62岁)。总体而言,376例为T2–T4浸润性乳腺癌,150例诊断为导管原位癌(DCIS)和小叶原位癌(LCIS),615例为T1浸润性乳腺癌。本机构使用的钼靶系统由SIEMENS制造,占1,102例。其余MG图像在其他机构使用以下系统获取:FUJIFILM Corporation(n=2)、HOLOGIC(n=8)、GE Healthcare(n=18)、Toshiba Medical Systems Corporation(n=8)、制造商未知(n=3)。
六分类的重测信度加权kappa系数及95%置信区间为:读者I为0.76(95% CI:0.74–0.79),读者II为0.87(95% CI:0.86–0.89)。A、B-1、B-2、C-1、C-2和D组的完全一致率分别为:读者I为72%、83%、17%、20%、78%和35%;读者II为83%、90%、59%、45%、85%和60%。读者I和II之间最终乳腺密度评估一致性的加权κ系数为0.86(95% CI:0.844–0.887),表明一致性良好。然而,临界类别的完全一致性仍然相对较低(B-2组:48%,C-1组:42%)。PMD使用EIZO Corporation开发的自动测量系统定量。各乳腺构成类别的PMD均值±标准差(SD)为:A组14.9±11.5%,B-1组29.6±11.5%,B-2组43.1±9.2%,C-1组47.1±8.8%,C-2组56.2±10.9%,D组68.3±16.3%。六分类与基于AI的乳腺密度评估之间的相关分析显示,1,136例患者的Spearman秩相关系数(95% CI)为0.788(0.764–0.810)。Kruskal–Wallis检验也证明六种乳腺密度类别之间基于AI的PMD存在显著差异(n=1,136;χ2(5)=704.601,p<0.001)。在Bonferroni校正的post hoc两两比较中,B-2组与C-1组之间(校正p=1.000)、C-1组与D组之间(校正p=0.085)以及C-2组与D组之间(校正p=1.000)的差异无统计学显著性,而其余所有两两差异均具有统计学显著性(校正p≤0.01)。在四分类BI-RADS分类中,C组和D组(定义为纤维腺体组织≥50%)被归类为DB。六分类是作为分析工具引入以表征传统B和C类别内的模糊性,并非旨在推荐C-2或更高作为DB的临床定义。
经读者I和II共识讨论后,六种乳腺构成类别的分布如下:A组118例,B-1组511例,B-2组119例,C-1组76例,C-2组304例,D组13例。按乳腺构成的钼靶灵敏度和特异度如下:读者I在A、B-1、B-2和C-1组的灵敏度为88%或更高,但在C-2组降至83.4%,在D组降至76.9%。同样,读者II在A、B-1、B-2和C-1组的灵敏度为91%或更高,但在C-2组降至83.9%,在D组降至76.9%。读者I和II在D组的特异度均低于80%,但在其他组为85%或更高。在排除DCIS和LCIS的991例浸润性乳腺癌中,六种乳腺构成类别的分布如下:A组104例,B-1组446例,B-2组105例,C-1组60例,C-2组265例,D组11例。读者I在A、B-1、B-2和C-1组的灵敏度为89%或更高,但在C-2组降至85.3%,在D组降至81.8%。同样,读者II在A、B-1、B-2和C-1组的灵敏度为93%或更高,但在C-2组降至85.7%,在D组降至81.8%。读者I和II在D组的特异度均低于82%,但在其他组为88%或更高。与DB相关的钼靶检出灵敏度降低在C-1组似乎最小,但在C-2组及更高类别中变得更加明显。此外,在B-2组中未观察到检出灵敏度降低,尽管该类别在传统四分类BI-RADS分类下可能被归类为DB。基于AI的乳腺密度值(PMD)范围为48%至66%。排除DCIS和LCIS后仅使用浸润性乳腺癌进行了类似分析。特异度未因提高PMD截止值而受到实质性影响,而灵敏度随PMD截止值增加而逐渐降低。当以80%灵敏度阈值作为实用参考基准时,62%是灵敏度保持在80%以上的最高评估PMD截止值(两位读者均为83.8%)。当截止值提高至64%时,两位读者的灵敏度均降至79.5%。这些发现表明浸润性乳腺癌中存在类似的转变,但并未确立62%作为普遍适用的阈值。当截止值从50%提高至62%时,被分类为DB的女性比例从27.6%大幅降至9.9%。
DB已知会降低钼靶的诊断性能,因为病变可能被重叠的纤维腺体组织遮蔽,导致遮蔽效应和检出准确率降低。多项研究报道,在DB女性中,除钼靶外,乳腺超声、MRI和数字乳腺断层合成等辅助筛查方式可能有用。因此,准确评估乳腺密度是实施个性化筛查策略的基础,在美国所有州已强制向筛查参与者通知乳腺密度。另一方面,DB通知的若干缺点已有报道。首先,它可能引起对乳腺癌的焦虑和困惑,可能因需要额外医疗咨询而增加患者和医疗系统的负担。其次,使用超声、MRI和数字乳腺断层合成等辅助筛查方法导致医疗费用增加。日本一项涉及72,661名40多岁女性的大规模研究显示,在钼靶基础上增加超声使癌症检出率增加1.56倍(0.50% vs 0.32%),但特异度从91.4%降至87.7%,导致假阳性率增加。此外,即使经过10年以上的随访,也未证明乳腺癌死亡率降低。从成本效益角度看,也有报道称虽然医疗费用大幅增加,但获益仍然有限。基于这些发现,研究人员认为准确评估乳腺构成对于DB通知的可行实施至关重要。目前,乳腺构成采用定性评估;然而,不仅读者间而且同一读者内也观察到相当大的变异性。尽管已有尝试进一步细分乳腺构成的研究报道,但并未解决读者间变异性。本研究的目的是证明乳腺构成定性评估中固有的模糊性,确定乳腺密度定量评估是否可作为替代方案,并从乳腺癌检出灵敏度的角度确定潜在合适的阈值。因此,在传统四类BI-RADS密度分类(几乎完全脂肪、散在纤维腺体密度、不均匀致密和极度致密)之外,研究人员引入了两个“临界”类别:“有模糊性的散在纤维腺体密度”和“有模糊性的不均匀致密”,从而创建了六分类系统。使用该系统进行分析揭示,两个模糊类别显示出较高的读者内和读者间不一致率,并显著影响DB分类。总体一致率与既往报道的研究相当或更高。既往研究提示读者间一致性受培训、经验和熟练程度的影响,本研究中观察到类似的趋势。Kruskal–Wallis检验证明六种定性乳腺密度类别之间AI定量腺体密度存在显著差异,支持定量方法的有效性。通过细分乳腺构成类别,研究人员发现定性评估为“有模糊性的不均匀致密(C-1)”的类别,定量评估的平均PMD为47.1%,更接近于散在纤维腺体组织而非DB。这些发现表明,在本队列中,C-1组与C-2组和D组中观察到的钼靶灵敏度降低无关。使用EIZO软件的定量方法的DB截止值为50%,本研究中观察到的灵敏度范围为85.4%至86.0%,与定性方法达到的灵敏度相当。这些结果支持基于AI的定量评估在减少读者间变异性和识别与钼靶灵敏度降低相关的候选密度阈值方面的潜在效用。为进一步增强定量乳腺密度评估的临床效用,有必要建立影响钼靶解读的适当阈值。在本研究中,研究人员假设80%灵敏度作为可接受标准,检验了PMD的截止值。使用80%作为参考的理由是,由乳腺癌筛查质量保证中央组织运营的日本钼靶解读认证系统使用80%或更高的灵敏度和特异度作为钼靶解读的可接受性能标准。由于基于MG的乳腺癌筛查,特别是人群筛查,针对大量女性,在保持可接受灵敏度水平的前提下,可能希望尽可能减少被分类为DB的女性比例。在EIZO软件的乳腺密度定量评估中,DB的截止值为50%。在本研究中,该截止值下所有病例的灵敏度为85.4–86.0%。随着截止值增加,灵敏度逐渐降低。当截止值设为62%时,灵敏度为81.4%,而当截止值提高至64%时降至76.8%。因此,将截止值从62%提高至64%导致灵敏度下降4.6个百分点。浸润性乳腺癌中观察到类似趋势。当DB截止值设为62%时灵敏度为83.8%,设为64%时为79.5%,对应于截止值从62%提高至64%时灵敏度下降4.3个百分点。将截止值从50%提高至62%使被分类为DB的女性比例从27.6%降至9.9%,这可能代表实质性的临床获益。然而,当分析仅限于T1病例时,即使DB截止值设为50%,灵敏度也仅为78.3–78.9%,未达到80%。因此,在总体队列中观察到的结果在仅限于T1病例的分析中未被重现。因此,需要进一步验证,特别是在T1乳腺癌病例中,以确定临床应用的适当截止值。本研究的优势包括:基于超过1,000例乳腺癌病例的分析;基于AI的定量PMD评估与定性评估的比较;以及首次报道将定量PMD与乳腺癌患者的钼靶灵敏度和特异度进行比较。也应承认若干局限性。首先,研究人群包括不同分期的乳腺癌患者,这可能影响钼靶灵敏度。其次,研究人员无法确定钼靶上识别的病变是否确切对应于病理证实的癌症实际位置。第三,仅有两名读者参与图像解读,可能限制了读者间变异性的评估。第四,本研究中使用的AI算法由于其专有的黑箱性质而透明度有限。此外,本研究中呈现的定量PMD数据是使用EIZO Corporation开发的软件获得的,可能无法与其他制造商软件获得的测量值直接比较。算法和测量方法的差异可能导致不同的绝对PMD值和截止阈值。因此,观察到的PMD与钼靶诊断性能之间的关系需要在涉及多名读者和不同定量乳腺密度评估系统的多中心研究中独立验证。还需要此类研究来确定是否存在任何临床有用的阈值是终点特异性的。