研究亮点
补充MRI筛查对极度致密乳腺女性是有益的，但筛查工作极大的增加了放射科医生的负担。本研究首次利用多中心筛查数据，以图像为基础，对极度致密乳腺女性的乳腺MRI结果进行分类。将正常的MRI结果进行分类排除，以减少放射科医生的工作量。
研究背景
DENSE研究数据表明，对50-75岁的女性进行补充MRI筛查有助于早期发现乳腺癌，并显著降低了两次筛查之间的癌症发病率。在荷兰两年一次的乳腺癌筛查中，接近名女性需要进行MRI乳腺癌筛查，由于人数众多，极大增加影像科医师的工作量。因此，极度致密乳腺女性进行常规MRI筛查具有一定的挑战。而在平均风险人群中，绝大多数参与筛查的极度致密乳腺女性不需要进一步诊断。因此，对于高于平均风险的女性，自动对其乳腺MRI结果进行分类具有临床价值。
研究目的
在保证识别所有恶性肿瘤的情况下，排除所有正常乳腺MRI筛查结果，探讨通过深度学习自动分类极度致密乳腺女性MRI结果的可行性。
研究方法
DENSE研究中，名致密受试者进行了第一轮MRI筛查。例患者被排除，因为不完全采集或数据传输不完整，T1加权MRI数据无法完全获得，最终例MRI检查纳入分析。深度学习（DL）模型建立分为三个步骤：(1)图像处理，包括图像裁剪、配准和最大强度投影(MIP)图像；(2)优化模型结构；(3)内外验证。将7家医院的图像数据随机分成训练集(80%)和验证集(20%)，第8家医院医院的测试集，通过特征曲线分析DL模型性能。
研究结果
医院中的平均性能表现良好，受试者特征曲线下面积（AUC）为0.83(95%CI:0.80,0.85)（图1）。在保证检测所有恶性肿瘤的基础上，DL模型推断90.7%(95%CI:86.7,94.7)显示有病变的MRI检查需要影像专家进一步评估，39.7%(95%CI:30.0,49.4)显示无病变的MRI检查被排除，不需要进一步评估。
图1：医院的受试者工作特征曲线（VerburgE,etal.Radiology.2.Jan.Figure2）
BI-RADS分级为4或5级、肿块病变、无病灶伴随严重BPE的MRI结果更可能需要进一步评估
表1.DL模型对病变进行分类和排除（VerburgE,etal.Radiology.2.Jan.Table3）
研究结论
本研究开发了一种深度学习模型，能够高准确性地识别无病变乳腺MRI检查。通过内外验证，在保证没有遗漏任何恶性肿瘤的情况下，该模型确定了近40%的极度致密乳腺MRI扫描具有正常的解剖和生理变化。
引用文献
引文：VerburgE,vanGilsCH,vanderVeldenBHM,BakkerMF,PijnappelRM,VeldhuisWB,GilhuijsKGA.DeepLearningforAutomatedTriagingofBreastMRIExaminationsfromtheDENSETrial.Radiology.2Jan;(1):29-36.doi:10./radiol.1203960.(IF11.1)
编译：RAD-MSLTeam
-仅供与医疗卫生专业人士学术沟通使用
MA-M_GAD-CN--1
预览时标签不可点收录于话题#个上一篇下一篇