文献速递：深度学习乳腺癌诊断---使用深度学习改善乳腺癌诊断的MRI技术

Title 

题目

Improving breast cancer diagnostics with deep learning for MRI

使用深度学习改善乳腺癌诊断的MRI技术

01

文献速递介绍

乳腺磁共振成像（MRI）是一种高度敏感的检测乳腺癌的方式，报道的敏感性超过80%。传统上，其在筛查中的使用被限制在高风险患者身上。新的证据支持在中等风险和普通风险女性中进行筛查MRI的作用4）。诊断MRI对于额外的指示也很有用，如解决问题和最近诊断出乳腺癌的患者。随着接受乳腺MRI检查的患者数量持续增加，保持高特异性和高阳性预测值（PPV）以减少不必要的活检和后续建议变得非常重要。在中等和普通风险女性的筛查MRI研究中，活检推荐的PPV范围从19.6%到35.7%。这意味着每进行一次恶性发现的活检，就有两到四次良性结果的活检。因此，需要开发经过良好测试的工具来提高MRI的性能并提高护理质量。此外，还需要开发考虑临床医生或患者偏好的工具，例如，在决定是否进行活检时。

人工智能对医学研究，包括乳腺成像，产生了巨大影响。已经显示它能够在全视野乳房X光摄影、数字乳腺断层摄影、乳腺超声和乳腺MRI中提高乳腺癌的检出率。尽管关于乳腺成像的深度学习（DL）发布的研究通常展示出良好的分类性能，但潜在的临床影响通常未被探索。此外，评估外部和异质数据集对于验证DL系统可能在不同人群中的表现至关重要。提供广泛的、面向患者的结果对于赢得从业者的信任是必要的。此外，它构建了证据，使得研究结果能够转化为前瞻性研究，最终转化为临床实践。

在我们的论文中，我们描述了一个DL系统，用于预测接受动态对比增强MRI（DCE-MRI）的患者患有乳腺癌的概率。该系统的主要用途是提高DCE-MRI的特异性，从而减少假阳性发现的数量，进而导致良性发现的活检次数减少。我们使用传统的诊断准确性指标（接收者操作特征曲线下面积（AUROC）、精确召回曲线下面积（AUPRC）、敏感性、特异性、PPV和阴性预测值）和评估临床效用影响决策的方法，如决策曲线分析（DCA），对其性能进行了广泛评估，包括在内部和国际外部数据集上的表现。我们将DL系统的表现与放射科医生在一项回顾性读者研究中的表现进行了比较。我们还探讨了该系统在不同患者亚组中的表现，并检查了DL系统未能提供正确诊断的案例。最后，我们分析了一个特定的临床情景——个性化管理BI-RADS（乳腺成像报告和数据系统）4发现的患者——从而减少不必要的活检。

Results

结果

The DL system described in this study (Fig. 1) was trained in a su pervised manner, that is, the machine learning model was provided with many examples of inputs and correct outputs. The inputs of this system were DCE-MRI pre- and postcontrast sequences, all stored as three-dimensional (3D) volumes. This approach mimics clini cal practice, in which radiologists evaluate changes in contrast en hancement in breast to correctly identify suspicious areas. DCE-MRI volumes are passed through the model, which generates predic tions of the breast-level probability of malignancy (POM). That is, for each of the patient’s breasts, the system produces a number in a range between 0 and 1. The underlying neural network of the system performs 3D convolutions, which are mathematical opera tions that ultimately allow it to extract spatiotemporal features of the inputs.

本研究中描述的DL系统（图1）是以监督方式训练的，即，机器学习模型被提供了许多输入及其正确输出的示例。该系统的输入是DCE-MRI前后对比序列，所有这些都存储为三维（3D）体积。这种方法模仿了临床实践，其中放射科医生评估乳腺对比增强的变化，以正确识别可疑区域。DCE-MRI体积通过模型传递，该模型生成乳腺恶性概率（POM）的预测。也就是说，对于患者的每个乳腺，系统产生一个在0到1之间的数字。该系统的底层神经网络执行3D卷积，这些数学操作最终允许它提取输入的时空特征。

Methods

方法

<