适应基础模型用于对比增强和非对比增强方案的乳腺MRI分诊

《European Radiology》：Adapted foundation models for breast MRI triaging in contrast-enhanced and non-contrast-enhanced protocols

　　

目的：评估基于DINOv2的医学切片变压器（MST）用于分诊缩写乳腺MRI，通过排除包含可疑发现（乳腺影像报告和数据系统[BI-RADS]≥4）且需立即处理的检查，涵盖对比增强和非对比增强方案。材料与方法：这项经机构审查委员会批准的回顾性研究纳入1847次单侧乳腺MRI检查（377次BI-RADS≥4，来自内部数据集）和924次检查（来自外部数据集Duke）。测试了四种缩写方案：T1加权早期减影（T1_sub）、b=1500 s/mm²的扩散加权成像（DWI₁₅₀₀）、DWI₁₅₀₀+T2加权（T2w）以及T1_sub+T2w。采用五折交叉验证和受试者工作特征曲线下面积（AUC）评估在90%、95%和97.5%灵敏度下的性能。AUC差异采用DeLong检验比较。对假阴性病例进行特征化，并在外部数据集中对注意力图进行评级。结果：共纳入1448名女性患者（平均年龄49±12岁）。T1_sub+T2w的AUC为0.77±0.04；DWI₁₅₀₀+T2w为0.74±0.04，各方案间无显著差异。在97.5%灵敏度下，T1_sub+T2w的特异性最高（19%±7%），其次为DWI₁₅₀₀+T2w（17%±11%）。在95%和97.5%灵敏度下，漏诊病变主要为<10 mm，以非肿块增强为主。T1_sub方案的外部验证AUC为0.77，88%的注意力图被评为良好或中等。结论：在97.5%灵敏度下，MST框架对无BI-RADS≥4的病例进行分诊，对比增强MRI特异性为19%，非对比增强MRI特异性为17%。这些发现凸显了基于基础模型的人工智能支持高效分诊缩写乳腺MRI方案的潜力。

**论文解读：基于适应基础模型的乳腺MRI分诊——对比增强与非对比增强方案的评估**

**研究背景与问题**

乳腺癌是女性癌症死亡的主要原因之一，早期检测对改善治疗结局至关重要。磁共振成像（MRI）作为一种高灵敏度诊断工具，尤其适用于乳腺致密女性，因为钼靶检查在此类人群中存在局限性。然而，乳腺MRI解读耗时且需高度专业经验。临床工作流程中，乳腺影像报告和数据系统（BI-RADS）用于标准化报告与管理建议，关键决策点在于区分良性（BI-RADS 1-3）与需立即诊断性检查的病例（BI-RADS 4-6）。标准乳腺MRI依赖钆基对比剂，虽提高诊断准确性，但增加检查时间、成本，并存在罕见健康风险。因此，研究者积极探索缩写MRI方案，包括使用高b值（>1000 s/mm2）扩散加权成像（DWI）的非对比增强方法及虚拟对比增强技术，以减少对比剂依赖。

人工智能（AI）有望支持乳腺MRI分析，但大型专家标注数据集的匮乏是主要障碍。预训练基础模型（如DINOv2）通过大规模自监督学习解决此问题，可迁移至医学影像领域。然而，DINOv2等基础模型在三维医学影像，尤其是乳腺MRI筛查中的应用仍不充分。既往研究验证了医学切片变压器（MST）框架在Duke数据集上的性能，但存在局限性：该数据集癌症病例比例过高，且未评估非对比序列。基于此，研究人员开展本研究，探索MST框架在对比增强与非对比增强缩写方案中，根据BI-RADS分类（≥4为需立即处理）进行分诊的潜力。

**研究方法与关键技术**

本研究为回顾性研究，经机构审查委员会批准。内部数据集来自2018-2022年单中心，共1448名女性患者，纳入1847次单侧乳腺MRI检查（377次BI-RADS≥4）。外部验证使用Duke公开数据集（924例，含440例良性、484例恶性）。主要关键技术方法包括：1）采用基于DINOv2的MST框架，该框架使用预训练DINOv2骨干网络提取二维切片特征，通过Transformer编码器聚合为三维体积表示，最终由线性层进行体积级分类；2）图像预处理：将图像分割为左右侧，重采样至224×224像素，每个体积38个切片，并逐序列进行z-score归一化；3）训练策略：五折交叉验证，数据增强包括随机旋转、翻转、强度反转和高斯噪声，使用AdamW优化器；4）评估指标：在固定灵敏度阈值（90%、95%、97.5%）下计算特异性，并计算AUC，采用DeLong检验比较方案间差异；5）外部验证：将内部训练的T1_sub模型直接应用于Duke数据集，评估注意力图的可解释性（由放射科医生按Likert三点量表评级）。

**研究结果**

**内部研究人群特征**：最终分析纳入1847次单侧乳腺MRI检查，其中1470次（80%）为BI-RADS 1-3（可能良性），377次（20%）为BI-RADS 4-6（可疑或恶性）。BI-RADS 2最常见（约占73%）。患者平均年龄49±12岁。背景实质增强（BPE）和背景实质扩散（BPD）多表现为轻微或轻度（分别占73%和77%）。

**MST在对比增强和非对比增强MRI方案上的表现**：在固定灵敏度阈值下，T2w+T1_sub组合在90%和95%灵敏度时特异性最高（分别为0.43±0.07和0.29±0.10），但在97.5%灵敏度时，T1_sub单独方案特异性最高（0.20±0.08）。AUC方面，T2w+T1_sub最高（0.77±0.04），其次为T1_sub单独（0.77±0.09），DWI₁₅₀₀+T2w（0.74±0.04），DWI₁₅₀₀单独最低（0.72±0.04）。所有方案间AUC无显著差异。在97.5%灵敏度下，对比增强方案（T1_sub+T2w）特异性为19%±7%，非对比增强方案（DWI₁₅₀₀+T2w）为17%±11%。

**假阴性病变特征化**：在90%灵敏度下，漏诊病变以非肿块增强（NME）和病灶（<5 mm）为主，病变尺寸变异较大。在95%和97.5%灵敏度下，漏诊病变平均尺寸小于10 mm，且NME仍占主导。加入T2w成像后，漏诊病变平均尺寸在某些阈值下略超10 mm，但可能受各亚组假阴性数量少（n=3-8）及个体较大病变影响。

**外部验证指标**：基于内部T1_sub数据训练的模型在Duke数据集上评估，AUC为0.77。在90%灵敏度下，特异性为30%，表明模型具备一定泛化能力。

**外部验证可解释性**：对Duke数据集中226例真阳性病例生成注意力图，放射科医生评估显示：区域注意力图53%为良好、35%为中等、12%为差；切片注意力图57%为良好、31%为中等、12%为差。总体88%的注意力图被评为可接受（良好或中等），表明模型关注临床相关增强模式。

**讨论与结论**

讨论部分指出，本研究评估了MST用于乳腺MRI分诊以排除BI-RADS 4-6病变的能力。在非对比增强方案中，高b值DWI（b=1500 s/mm2）提供功能信息。T2w+T1_sub组合获得最高AUC（0.77），非对比增强组合T2w+DWI₁₅₀₀与对比增强参考方案无显著差异，但特异性略低。在97.5%灵敏度下，17-19%的特异性意味着约六分之一的检查可免于立即全面回顾，实现适度但可测量的工作量减少。与人类放射科医生相比，MST整体性能仍低于后者（后者在缩写方案中特异性可达94%），表明当前AI模型为补充工具而非替代方案。漏诊分析显示，NME和病灶是主要难点，这可能与Vision Transformer架构对异质性、弥漫性增强模式的捕捉能力有限有关。外部验证注意力图的可解释性良好。局限性包括：单中心回顾性设计、二分类未充分利用BI-RADS粒度、仅测试高b值DWI、外部验证存在域偏移（内部使用BI-RADS分类，Duke数据集使用组织病理学二分类）、未比较其他AI架构等。

**研究结论**：在97.5%灵敏度下，MST框架对无BI-RADS≥4的病例进行了分诊，对比增强MRI特异性为19%，非对比增强MRI特异性为17%。这些发现凸显了基于基础模型的人工智能支持高效分诊缩写乳腺MRI方案的潜力。