摘 要： 乳腺癌是女性最常见癌症之一，早期筛查、诊断对改善预后、降低死亡率至关重要。近年来，随着计算机性能的提高、海量医学影像数据的累积及新算法的不断出现，乳腺超声领域中人工智能(AI)研发已取得重大突破。乳腺超声AI可自动识别成像信息并定量评价，更准确、快速地诊断乳腺疾病。本文对AI在乳腺超声中的研究及应用现状进行综述。
关键词 : 乳腺疾病;超声检查;人工智能;诊断计算机辅助;神经网络，计算机;
Abstract： Breast cancer is one of the most common cancers in women. Early screening and diagnosis are essential to improve prognosis and reduce mortality. In recent years, with the improvement of computer performance, the storage of massive medical image data and the continuous emergence of new algorithms, the development of artificial intelligence(AI) in the field of breast ultrasound has made a major breakthrough. Breast ultrasound AI can automatically identify and quantitatively evaluating imaging information to accurately and quickly diagnose breast diseases. The research and application progresses of AI in breast ultrasound were reviewed in this paper.
Keyword： breast diseases; ultrasonography; artificial intelligence; diagnosis,computer-assisted; neural networks,computer;
乳腺癌是女性最常见的癌症之一，早期筛查、诊断并及时治疗可有效降低死亡率。超声是筛查乳腺癌的重要影像学方法，除灰阶超声外，彩色多普勒、频谱多普勒、超声造影及弹性成像等新技术有助于获得更准确的信息，但存在操作者依赖性，而突破这一局限性的关键是提高超声检查的标准化、规范化程度及量化准确率。随着医学影像的全面数字化及计算机技术的应用，采用人工智能(artificial intelligence, AI)有望在技术层面解决上述问题。近年来AI技术迭代更新，因图像识别效果极佳而受到广泛关注。AI可自动识别成像信息并进行分类评估，提高超声在乳腺影像中的应用价值[1]。本文对AI在乳腺超声中的进展进行综述。
1、 AI与乳腺超声
AI是以计算机、数学及哲学等学科为基础而模拟、扩展并延伸人的智能的综合学科，于20世纪60年代首次用于乳腺医学影像，并开发了计算机辅助检测/诊断(computer aided detection/diagnosis, CAD)系统。通过综合运用计算机、统计学、数学、图像处理与分析等多种技术，CAD系统可从医学影像中提取图像特征、标注可疑病变位置并判断病变性质。随着AI技术的迅速发展、尤其是深度学习(deep learning, DL)算法的开发与更新，乳腺超声AI技术的应用逐渐走向更高层面，可在很大程度上弥补传统CAD功能单一、性能不佳及假阳性率过高等劣势。有别于传统CAD系统，基于DL的CAD系统可直接训练医学图像并构建模型，实现端-端学习(end-to-end learning)[2],此种通过海量数据集进行高级学习的运算方法可大大提高CAD模型的诊断敏感度和准确率[3]。此外，乳腺超声AI还可与其他新技术，如超声射频(ultrasound radiofrequency, RF)时间序列分析[4]、基于图形处理单元的多模态CAD乳腺癌超声与数字乳腺X线成像系统[5]、光学乳腺成像[6]、基于定量传输的乳腺组织体积成像[7]及自动乳腺容积扫描(automated breast volume scanning, ABVS)[8]等相结合。
2 、AI用于乳腺超声
2.1、 评估乳腺密度
乳腺密度对于评估乳腺癌风险具有重要意义。O'FLYNN等[9]认为超声体层摄影术可测量乳腺密度，且结果与MRI所示水含量密切相关。NATESAN等[10]采用三维投射超声自动定量评估乳腺密度，并与乳腺X线摄影进行比较，发现二者计算得出的乳腺密度、乳腺总体积和纤维腺体体积均呈高度相关。WISKIN等[11]发现超声体层摄影术与基于阈值的分割算法可准确定量计算乳腺密度，且与医师主观评价及乳腺密度客观评价结果均呈高度相关。
2.2 、分割图像
根据组织功能分割乳腺超声声像图有助于定位肿瘤、测量乳腺密度及评估疗效，但受超声操作者依赖性及人工分割技术等限制，常具有较强的主观性，且耗时、费力。2016年MALIK等[7]运用定量超声体层摄影术对乳腺组织中的皮肤、皮下脂肪、腺体、导管及结缔组织结构进行分类，总体准确率>90%,得到的乳腺组织彩色编码图为后期分割乳腺声像图及识别病变奠定了基础。随后XU等[12]采用三维卷积神经网络(convolutional neural networks, CNN)将乳腺超声声像图分割为皮肤、纤维腺体、脂肪及肿瘤组织，其定量评价分割准确率、精确率及召回率均达80%以上，提示采用该方法可识别乳腺超声声像图中的功能组织，为临床诊断乳腺癌及改善其他模式超声成像提供重要帮助。
2.3、 检出病变及分类
QI等[13]基于超声医师和乳腺外科医师标注的乳腺超声声像图数据集，利用CNN成功构建的诊断模型检出乳腺恶性病变。HAN等[14]基于生成对抗性网络的半监督分割网络构建乳腺超声数据集模型，并训练2 000幅超声声像图(100幅带注释、1 900幅未带注释),结果表明该模型能于内部和公共数据集上获得更高的分割精度，可有效利用未注释声像图提高分割质量，有望用于乳腺超声自动诊断系统，减少标注工作量，降低操作者主观经验影响。QIAN等[15]认为二维超声与彩色多普勒超声相结合的双模态神经网络用于评估乳腺良、恶性肿块的效果可媲美经验丰富的超声医师。GREEN等[16]发现，建立基于生物力学模型的数字化乳腺体层摄影与ABVS中对应病变的可变形映射有助于提高病变检出率及诊断准确率，尤其对于致密性乳腺及乳腺多发肿块患者。HUANG等[17]建立CNN模型识别乳腺超声声像图中病灶所在区域，并进行乳腺影像报告和数据系统(breast imaging reporting and data system, BI-RADS)分类，其对BI-RADS 3类、4a类、4b类、4c类及5类乳腺肿块的诊断符合率分别达99.8%、94.0%、73.4%、92.2%及87.6%。李程等[18]运用AI超声设备对400幅超声声像图进行良、恶性分类，敏感度为96.06%、特异度为97.46%,表明AI可能使超声诊断达到一定程度的标准化和量化。AI能有效协助超声医生识别乳腺良恶性病变，减少漏诊率，并使分类更为准确。
此外，影像学评估乳腺病变中，存在微钙化或提示病变恶性可能性高。QIAO等[19]采用基于RF信号的定量多参数融合超声人工智能钙化自动检测方法观察乳腺肿块钙化，结果表明，与人工标注相比，该方法平均准确率达88%,有助于更准确地识别肿块内钙化并指导临床治疗。
2.4、 预测淋巴结转移
ZHOU等[20]通过提取原发性乳腺癌超声声像图特征构建Inception V 3模型，独立预测测试集中术前腋窝淋巴结转移临床阴性乳腺癌患者术后腋窝淋巴结转移情况，以病理结果为金标准，该模型预测敏感度为85%、特异度为73%,均高于医师诊断效果。通过评估乳腺癌原发灶的声像图，DL模型可有效预测腋窝淋巴结转移情况，进而帮助制定早期诊断策略。
2.5 、提高阅片效率
AI能加快描述图像及诊断的速度。BECKER等[21]对含445幅乳腺超声声像图的数据集进行预训练，构建CNN模型，并以之分类评估192幅声像图所示病变性质，同时由3名工作经验不同的影像科医师分别阅片，每幅平均诊断用时分别为7.8、6.9及8.8 s, 而CNN模型平均用时为0.94 s, 表明AI可显着缩短医师诊断用时，提高其工作效率。
2.6 、指导手术及勾画靶区
LU等[22]发现利用三维超声重建能准确评估肿瘤体积，可与三维MR技术相媲美，为研究三维图像数据全息显示等先进的乳腺组织可视化技术提供了依据，有利于临床制定精确手术计划以及更好地实现医患沟通，并在手术过程中提供更有效的导航。此外，对乳腺癌患者保乳治疗后行放射治疗时，需要准确定位病变区域。SAYAN等[23]与乳腺X线定位结果对比，评估三维超声用于加速局部乳房辐射术(accelerated partial breast radiation, APBR)定位目标的可行性，结果显示当超声可直接显示乳腺癌保乳术后局部切除腔时，三维超声可替代乳腺X线摄影而作为APBR日常定位方法，避免不必要的电离辐射。
2.7 、监测化学治疗疗效
既往研究[24]表明，采用超声背向散射统计参数可提高对新辅助化疗(neoadjuvant chemotherapy, NAC)的监测效果，有利于临床制定个体化NAC方案。定量超声信息可更好地描述肿瘤病理反应，并能于早期治疗阶段、肿瘤缩小前有效评估疗效。SANNACHI等[25]回顾性分析100例接受NAC的局部晚期乳腺癌(locally advanced breast cancer, LABC)患者的超声及术后病理资料，基于肿瘤区RF资料计算定量超声参数，并提取超声纹理特征，结果表明建立基于定量超声和纹理特征的联合CAD系统预测早期治疗反应模型可为难治性LABC提供有效的治疗方案。
3 、不足与展望
目前AI在乳腺超声领域中的研究如火如荼，但仍存在局限性：①医疗行业是具有人文特质的特殊行业，AI系统数据来源需经伦理批准后自患者数据中提取，并须保护患者隐私，因此需要相关部门建立规范，以严格监管AI系统在医学领域的开展；②“人工”提供的经过训练的大数据是保障AI实现“智能”的前提，人工的精确度决定智能的准确度，AI无法对未被训练开发研究的疾病做出诊断，故难以及时应变及创新，其在临床决策中不能取代医师的人文及社会特质[26];③AI算法具有一定“偏见”,泛化能力有限，随着计算数据量不断增加，算法准确性可能发生正向或负向改变，需人工不断加以校正[27];④目前对于如何获取、管理、应用及分享AI大数据尚未达成规范和共识，安全性、有效性及普遍性尚未得到验证，未来仍需寻求更为合理的方式将其融入临床工作中。
未来新开发的乳腺AI产品将能通过整合产、学、研、用等各界的资源解决上述问题。AI用于超声领域符合“2030健康中国战略”要求[28],相关医疗卫生监管和审批部门正在加速医疗行业中AI技术的落实及其合法化。医疗大数据时代的到来和病例数量的累积，将为AI发展提供更多可能。
参考文献
[1] CIRITSIS A,ROSSI C. EBERHARD M,et al. Automatic classification of ulrasound breast lesions using a deep convolutional neural network mimicking human decision-makin[J].Eur Radiol,2019,29(10):5458-5468.
[2]邢博缘,赵云，平杰，等S-DetectTM分类技术诊断BI-RADS 4类乳腺肿块[J] .中国医学影像技术， 2020,36(9):1319-1323.
[3] K0OI T,LITJENS G,van GINNEKEN B,et al.Large scale deep learning for computer aided detection of mammographic lesions[J].Med Image Anal,2017 ,35:303-312.
[4] UNIYAL N,ESKANDARI H,ABOLMAESUMI P,et al. Ultrasound RF time series for classification of breast lesions[J].IEEE Trans Med Imaging,2015,34(2):652-661.
[5] SIDIROPOULOS K P,KOSTOPOULOS S A,GLOTSOS D T,et al.Multimodality GPU-based computer-assisted diagnosis of breast cancer using ultrasound and digital mammography images[J].Int J Comput Assist Radiol Surg,2013,8(4):547-560.
[6] DENG B,LUNDQVIST M,FANG Q,et al.lmpact of errors in experimental parameters on reconstructed breast images using difuse optical tomography[J] Biomed Opt Express,2018,9(3):1130-1150.
[7] MALIK B,KL OCK J,WISKIN J,et al. Objective breast tissue image classification using quantitative transmission ultrasound tomography[J] Sci Rep,2016 ,6:38857.
[8]杨东芹，徐卫云自动乳腺全容积成像系统超声在286例乳腺肿块诊断中的应用[J].山东医药, 2020(3):54-56.
[9] O'FLYNN E,FROMAGEAU J,LEDGER A E, et al.Ultrasound tomography evaluation of breast density:A comparison with noncontrast magnetic resonance imaging[J].Invest Radiol,2017,52(6):343-348.
[10] NATESAN R,WISKIN J,LEE S,et al. Quantitative assessment of breast density:Transmission ultrasound is comparable to mammography with tomosynthesis[J.Cancer Prev Res (Phila),2019,12(12):871-876.
[11] WISKIN J,MALIK B,NATESAN R,et al. Quantitative assessment of breast density using transmission ulrasound tomography[J.Med Phys,2019,46(6):2610-2620.
[12] XU Y,WANG Y,YUAN J,et al.Medical breast ultrasound image segmentation by machine learning[J]. Ultrasonics,2019,91:1-9.
[13] Ql X,ZHANG L,CHEN Y,et al.Automated diagnosis of breast utrasonography images using deep neural networks[J]Med Image Anal,.2019,52:185-198.
[14] HAN L.HUANG Y,DOU H,et al.Semi-supervised segmentation of lesion from breast ultrasound images with attentional generative adversarial network[J].Comput Methods Programs Biomed,2019, 189: 105275.
[15] QIAN X,ZHANG B,LIU S,et al.A combined ultrasonic B-mode and color Doppler system for the lassification of breast masses using neural network[J]. Eur Radiol,2020,30(5):3023-3033.
[16] GREEN C A,GOODSITT M M,ROUBIDOUX M A.et al.Deformable mapping using biomechanical models to relate corresponding lesions in digital breast tomosynthesis and atomated breast ultrasound images[J].Med Image Anal,2020,60:101599.
[17] HUANG Y.HAN L,DOU H.et al.Two-stage CNNs for computerized BI-RADS categorization in breast ultrasound images([J] .Biomed Eng Online,2019,18(1)-8.
