European Radiology:使用深度卷积神经网络自动ACR BI-RADS乳腺密度分类的诊断准确性。

乳腺癌是女性中最常见的恶性肿瘤，在正常人群中的发病率为12.3%。其中，乳腺密度是指纤维腺组织相对于脂肪组织的数量，与乳腺癌风险的增加相关。

数字化乳腺断层扫描（DBT）作为一种准三维模式，越来越多地被用于确定乳腺密度和检测癌症，检测乳腺癌的诊断准确性很高，AUC、敏感性和特异性分别为0.95、0.90和0.90。为了改善乳腺密度报告，ACR BI-RADS图谱第五版将乳腺密度分为A-D：A（"几乎完全是脂肪"）、B（"分散的纤维腺密度区域"）、C（"异质性致密的乳腺，可能会掩盖小肿块"）和D（"极度致密的乳腺，会降低乳腺钼靶检查的敏感性"）。最近发表的欧洲乳腺成像协会（EUSOBI）建议在常规乳腺钼靶检查中对50-70岁乳腺极度致密的女性进行增强的乳腺MRI检查作为降低乳腺癌死亡率的补充检查，并主张让女性了解自己的乳腺密度。

然而，乳腺密度报告仍然容易出现阅读者之间和阅读者内部的差异，文献中报告的卡帕值范围很大。为了解决这种对可重复性和更简单的临床实施的需求，深度学习可以减少读数间的变异性并改善标准化报告。

近日，发表在European Radiology杂志的一项研究根据美国放射学会乳腺成像报告和数据系统（ACR BI-RADS）图谱开发了一个可用于数字乳腺断层合成二维重建中的乳腺密度自动分类的深度卷积神经网络（DCNN）。

研究根据ACR（美国放射学会）的密度（A-D），总共对4605张合成二维图像（1665名患者，年龄：57±37岁）进行了标记。两个DCNN分别有11个卷积层和3个全连接层，用70%的数据进行训练，而20%的数据用于验证，剩下的10%被用作单独的测试数据集。测试数据集中的所有乳腺图像都由两位放射科医生进行判析（读者1有两年的乳腺成像经验，读者2有11年的乳腺成像经验），并形成共识作为参考标准。通过计算Cohen's kappa系数评估读片员之间和读片员内部的可靠性，并评估自动分类的诊断准确性措施。 

在区分ACR A/B和ACR C/D时，MLO和CC投影的两个模型的平均敏感性为80.4%（95%-CI 72.2-86.9），特异性为89.3%（95%-CI 85.4-92.3），准确性为89.6%（95%-CI 88.1-90.9）。DCNN与人的对比和阅读者之间的一致性都是 "实质性的"（Cohen's kappa：0.61与0.63）。 

 图 基于MLO预测的测试数据集的ACR密度A-D分类的诊断准确率的代表性示例

本项研究表明，DCNN可在ACR BI-RADS系统的基础上对乳腺密度进行准确、标准化和独立于观察者的分类，为临床进行乳腺癌风险的早期分类及预防提供了参考依据。
原文出处：

Raphael Sexauer,Patryk Hejduk,Karol Borkowski,et al.Diagnostic accuracy of automated ACR BI-RADS breast density classification using deep convolutional neural networks.DOI:10.1007/s00330-023-09474-7