包括乳腺MRI在内的乳腺成像在快速改善乳腺癌治疗的过程中发挥了重要作用。识别良性和恶性病变的典型MRI特征，以及与各种恶性肿瘤亚型相关的特殊MRI形态学和动力学特征，使得放射科医生能够提供比其他传统的成像方式更好的诊断，并对患者治疗方案的制定提供更有价值的信息。虽然动态增强(DCE) MRI的特异性与乳房x线摄影几乎相当，但在良恶性病变的鉴别方面上仍有进一步提升的空间。部分原因是由于放射科医生对乳腺癌的评估因技术差异以及观察者内和观察者间解释的差异而受到影响。

多项研究开发了计算机视觉和机器学习的人工智能（AI）系统，该系统可用于临床图像上的计算机辅助诊断和乳腺病变的定量表征。放射组学是计算机辅助诊断的扩展，可提供与肿瘤生物学和其他临床、病理和基因组数据相关的计算机提取特征。

近日，发表在Radiology杂志的一项研究评估了与传统软件相比，使用AI系统时放射科医生在乳腺DCE MRI图像上区分良恶性病变方面的诊断性能是否得到改善，为AI在临床的进一步应用及研究开拓了道路。

在本项回顾性研究中，来自8个学术机构和11个私人诊所的19名乳腺放射科医生对乳腺DCE MRI检查的图像进行了分析。阅读者对每项检查审阅两次次。在“第一次审阅”时，他们使用了包括动力学图在内传统的计算机辅助评估软件。在“第二次审读”中，通过计算机辅助诊断软件为他们提供了AI分析。采用受试者工作特性曲线(ROC)分析来评估阅读者的诊断性能，ROC曲线下面积(AUC)作为区分恶性和良性病变的指标。主要研究终点是第一次和第二次审阅条件下AUC的差异。

本研究共纳入111名女性(平均年龄52岁±13岁[标准差])并获得111组乳腺DCE MRI检查(其中恶性病变54例，良性病变57例)。当使用AI系统时，所有阅读者的平均AUC从0.71提高到0.76 (P = 0.04)。当使用乳腺影像报告和数据系统(BI-RADS)类别3作为切点时，平均敏感性有所提高(从90%提高到94%;变化的95%置信区间[CI]: 0.8%，7.4%)，但在使用BI-RADS类别4a时则不然(从80%到85%;95%置信区间:-0.9%，11%)。无论是使用BI-RADS类别4a还是类别3作为切点，平均特异性均无显著差异(分别为52%和52% [95% CI: -7.3%，6.0%]，29%至28% [95% CI: -6.4%，4.3%])。

图 根据乳腺成像报告和数据系统(BI-RADS) 4a类阈值在动态增强乳腺MRI图像上鉴别良恶性病变的诊断任务中，19个阅读者第一次和第二次审阅的敏感性和特异性(以百分比表示)比较。

本研究表明，人工智能系统的使用提高了放射科医生在乳腺MRI中鉴别良恶性病变的诊断性能，为临床进一步制定更准确的治疗方案提供了技术伤的支持，为人工智能在临床及科研上的应用提供了参考依据。

原文出处：

Yulei Jiang,Alexandra V Edwards,Gillian M Newstead.Artificial Intelligence Applied to Breast MRI for Improved Diagnosis.DOI:10.1148/radiol.2020200292