2020年最新数据显示，乳腺癌新增人数达226万，并正式取代肺癌成为全球第一大癌症。近20年来，中国女性的乳腺癌发病率以每年3%-5%的速率快速增长（远远高于世界的平均值0.5%），并且相对应的5年存活率只有73%。大部分患者在被发现时已是中、晚期阶段，其死亡率高达50%，而早期乳腺癌的长期治愈率可达90%以上。因此乳腺癌的早期发现、早期诊断和早期治疗是提高治愈率、降低死亡率的关键。
乳腺钼靶筛查属于目前诊断乳腺方面的疾病中最简单、最可靠的检测手段，但对致密性乳腺组织穿透力差，一般不建议对40岁以下，无明确乳腺癌高危因素或临床体检未发现异常的妇女进行钼靶检查。同时，由于中国女性高乳腺密度占大多数，且发病年龄比西方女性更加年轻，因此，钼靶在中国女性乳腺疾病诊断以及筛查中的应用存在较大的局限性。实时超声影像作为一种便捷、无辐射、无创的检查手段，对乳腺癌检测具有良好的组织分辨力，不受乳腺密度的影响，具有较好的普及性和依从性，能够发现更多早期的微小的乳腺肿瘤，是目前我国乳腺癌筛查和疾病诊断的重要检查手段。
相对于CT，MRI等影像，医学超声诊断过程对医生的依赖性较强，医生个体差异对诊断结果影响较大。因此，人工智能（AI）辅助诊断技术在医学超声中具有广泛且重要的应用价值。近年来，基于深度学习的AI技术在医学影像领域取得了重大的进展，但仍然面临“能否辅助医生”、“如何辅助医生”等临床适用性问题，严重限制了AI辅助诊断技术的临床应用。
2021年4月19日，美国南加州大学钱学骏博士团队在Nature Biomedical Engineering在线发表题为Prospective assessment of breast cancer risk from multimodal multiview ultrasound images via clinically applicable deep learning 的研究论文。该研究首次提出基于多模态多角度医学超声影像的深度学习系统，并且成功地在多家医院的前瞻性临床环境中验证了该系统的准确性、鲁棒性和有效性。结果显示，可解释性人工智能辅助诊断系统显著地优化了人类医生的诊断结果，提高了其辅助诊断的临床适用性，为后续的临床转化研究提供了新思路。
为了解决这一临床上的重大关键问题，研究团队首次利用符合美国放射学会制定的乳腺影像报告和数据系统（BI-RADS）标准的多模态（B超、彩色多普勒、弹性成像）、多角度（横切面、纵切面）临床数据集，构建了多通道超声图像融合的可解释性深度卷积神经网络（图1），以实现真正符合临床诊断流程的AI辅助诊断系统。
图1：多模态多角度可解释性人工智能辅助诊断系统的建立。
为了验证AI辅助系统的准确性和鲁棒性，研究团队在多家医院不同年龄段的乳腺疾病患者中开展了一项前瞻性对比研究，即在临床真实环境中多方位测试AI辅助系统与多名资深医生的诊断敏感性和特异性。结果显示，不论是在全部的乳腺肿块BI-RADS 2-5类中（完整测试集），还是在可疑恶性肿块BI-RADS 4类中（部分测试集），AI辅助诊断系统都能够达到甚至超越资深医生的诊断水平 (图2) 。
图2：人工智能辅助诊断系统与多名资深医生在前瞻性临床环境中的多方位诊断对比。
接着，为了进一步探索AI辅助诊断系统临床应用的有效性，解决“如何帮助医生诊断”及“如何优化诊断结果”等关键问题，研究团队提出深度学习框架的可解释方案，从而让医生了解AI辅助诊断系统在不同模态超声图像中的诊断基础。通过对比无AI辅助的医生诊断结果（solo）与有AI辅助的医生诊断结果（+AI），研究团队发现AI辅助诊断系统可以显著增强医生做出最终诊断时的信心，并且在一定程度上降低了假阳率（高假阳率是当前乳腺超声诊断中最普遍的问题），达到了临床上减少不必要活检手术的目的，具有重大的临床应用价值。
概括而言，具有临床适用性的AI辅助诊断系统有望改善快速增长的医疗影像需求与对应专科医生短缺这一巨大的供需不平衡，把医生从繁琐的机械式阅片工作中解放出来，改善患者生存质量，具有重大的临床意义和社会意义。
美国南加州大学生物医学工程系、医学院钱学骏博士是该研究的第一作者和通讯作者。安徽医科大学第一附属医院裴静主任医师和郑慧主任医师为本文的共同第一作者。
原文链接：
https://doi.org/10.1038/s41551-021-00711-2
【非原创文章】本文著作权归文章作者所有，欢迎个人转发分享，未经允许禁止转载，作者拥有所有法定权利，违者必究。
