引言
肺癌一直是全球发病率最高的癌症，而2020年最新数据显示，以女性为主的乳腺癌发病人数首次超过全人群肺癌，成为全球最常见癌症（全球范围内肺癌仍是死亡人数最多的癌症）。
图1 2020年全球主要新发癌症类型、人数及占比（数据来自IARC官网）
癌症的早期诊断可以降低发病率和死亡率，医疗影像学在其中发挥了重要作用。
MRI在乳腺癌中的应用
乳腺癌相关影像学主要包括乳腺X线摄影（mammography）、超声（ultrasound）和磁共振成像（magnetic resonance imaging，MRI）等技术，在乳腺癌的检出、诊断、疗效评估及随访中发挥重要作用。
其中，磁共振成像是断层成像的一种，它利用磁共振现象从人体中获得电磁信号，并重建出人体信息。与X线相比，它不受腺体密度影响；与超声相比，其多参数成像及增强扫描，具有更高的软组织分辨率，并提供血流信息，因而敏感性更高。
总结来说，乳腺MRI具备以下优点：
（1）对发现和鉴别乳腺病变具有较高的敏感性；
（2）双侧乳腺同时成像，达到对比的效果；
（3）定位更加准确，显示更加直观；
（4）检查视野更加广泛，适当避免了乳腺多灶性的病变遗漏；
（5）可清楚显示病灶与周围结构的关系；
（6）动态增强MRI的应用对判断病变的良恶性有重要意义
（7）无辐射
AI在乳腺MRI诊断中的应用
病理学是诊断的“金标准”。病理诊断需将标本取材、制片、染色，最后由医师阅片进行癌症检测。阅片医师需要具备丰富的经验，过程会耗费大量精力，并且具有一定的主观性。
传统的病理MRI诊断应用计算机辅助检测（CAD）系统，但这种系统在实用性和性能方面一直受到限制。在过去的十年里，人工智能（AI）在医学图像分析方面取得了巨大进展，计算机使用机器学习（ML）方法来解决医学成像中的一系列问题的能力也发生了一场革命。
AI主要涉及上述的癌症检测环节。切片数字化存档并形成数据集，将这些数据集与AI结合后，研发用于数字切片的辅助诊断软件，计算机能够自动检测病变区域并定量评估，客观地协助病理医师做出快速诊断，提高工作效率的同时也提高了准确率（图2）。
图2 （左）基于分析放射学（人工）的CAD，（右）基于深度学习的CAD，以及组合输出以提高性能的方法
在深度学习乳腺癌诊断中，“癌症检测（cancer detection）”是一个总括术语，包括几种不同的任务：
分类（Classification），判断整个检测图像为“正常”、“良性”或“恶性”；
目标检测（Object detection），标记图像的任何可疑或异常区域，并将其呈现出来；
分割（Segmentation），通过结合分类和目标检测，将单个灶点标记为正常或病理的。
表1 深度学习模型在生物医学图像分析中的应用
1AI应用于目标检测
在各种深度学习模型中，用于医学图像分类最成熟的算法是CNN（Deep Convolution Neural Networks，深卷积神经网络）。图3为一个CNN基础模型的示意图。CNN模型使用网格模式数据（如图像）作为输入，并基于训练好的权重从低到高的学习特征。
图3 CNN模型
图4 CNN首次出版的插图
2AI应用于目标检测
Faster RCNN是这一任务最常见的模型（图5），该模型包含几个组件：ConvNet、区域建议网络(RPN)和多任务分支。Convnet是一种特殊的CNN，它输出一组特征地图。RPN将基于锚点选择的ROI置于从ConvNet生成的特征地图上，并输出一组假设对象。
图5 Faster RCNN
3AI应用于分割
图6 U-Net
U-Net是一种广泛用于分割任务的深度学习模型，它具有与自动编码器网络相似的结构，并具有与CNN相似的组件。U-Net有两个阶段：下采样和上采样，如图7所示。下采样阶段（也称为收缩路径），遵循CNN的典型结构，用于学习并复制上采样阶段的特征。在上采样阶段(也称为扩展路径)，从收缩路径复制的特征被连接和扩展到原始输入的维数。
4AI有助于乳腺MRI诊断的实例
来自芝加哥大学发表在2020年10月20日Radiology上的研究《Artificial Intelligence Applied to Breast MRI for Improved Diagnosis》中，来自8个学术机构和11个私人诊所的19位乳腺影像放射科医生作为被测者，对111份乳腺DCE-MRI检查图像进行了两次解读。
“一读”时，被测者使用了包括动力学图在内的传统计算机辅助评估软件；“二读”时，被测者使用了具有AI分析功能的计算机辅助诊断软件（QuantX）。
该研究设计旨在模仿临床实践中乳腺MRI扫描的解读过程，即放射科医生首先确定可疑病变的位置，然后分析诊断结果。首先向被测者确定病变位置，所有被测者在每个病例中解读相同的病变。然后被测者对每个研究选择的病变进行0-100分的恶性评估，并采用乳腺影像报告和数据系统（BI-RADS）评估病变类别，具体如下：1（阴性），2（良性），3（良性可能），4a（低度怀疑恶性），4b（中度怀疑恶性），4c（高度怀疑恶性），和5（高度提示恶性）。这种研究方法允许被测者按往常临床实践来解读病例，也允许进行受试者工作特征（ROC）分析。
图7 QuantX用户界面的屏幕截图
结果发现，使用AI系统时，放射科医生的ROC曲线下平均面积（AUC）从 0.71提高到0.76 (P=0.04)。当使用BI-RADS 3类病变作为分界时，使用AI系统的敏感性从90%提高到94%，但特异性在使用传统软件和AI软件上没有区别。
表2 多被测者、多病例统计分析
本研究表明，AI系统的使用提高了放射科医生在乳腺MRI中鉴别良恶性病变的诊断能力，为临床进一步制定更准确的治疗方案提供了技术支持，为人工智能在临床及科研上的应用提供了参考依据。
总结与展望
对于成像分析，AI的准确性和预测能力还需要显著提高，如果AI取代临床医生的特定工作流程，需证明其比医学专家能有更精准的专业判断。这或许在一些特定疾病条件下显示出初步希望，但仍需更多的临床实用性验证。
同时，对未知的恐惧是创新中的一个常见障碍，并经常导致对新方法的抵制。这也是人工智能在医疗领域的情况。在这种情况下，人们需要谨慎的规划和评估，探索在实践中采用AI最有益的方式。为了实现这一目标，包括医生在内的医疗人员需要与人工智能专家密切合作。然而，许多医生对计算机科学并无兴趣，计算机科学家和工程师也不掌握医疗术语和概念。此外，这两个专业的关注点似乎也不太一样：医疗人员的首要目标是为患者提供更好的诊断和治疗，但计算机科学团队专注于发明和计算的过程，以解决在某些情况下可能被认为“不那么现实”的问题。
总的来说，未来在人工智能应用于乳腺MRI诊断方面，我们需要更有效地沟通。如此大的数据量需要更具备系统组织管理，需要更容易获取，同时还要考虑到患者隐私，目前研究组织尚未对特定的数据集的应用与分享达成共识。另外，AI的理解能力也就是对特定结果的原因进行整合逻辑推理的能力，也存在局限性，预测失败的能力还需提升，这仍是研究热点。另外，伦理问题和监管问题也需要解决。
参考资料：
[1] Jun Bai, Russell Posner, Tianyu Wang, Clifford Yang, Sheida Nabavi,Applying deep learning in digital peast tomosynthesis for automatic peast cancer detection: A review,Medical Image Analysis,Volume 71,2021,102049,ISSN 1361-8415
[2] Jiang Y, Edwards AV, Newstead GM. Artificial Intelligence Applied to Breast MRI for Improved Diagnosis. Radiology. 2021;298(1):38-46.
[3] Sheth D, Giger ML. Artificial intelligence in the interpretation of peast cancer on MRI. J Magn Reson Imaging. 2020;51(5):1310-1324. doi:10.1002/jmri.26878
[6] Francisco Maria Calisto, Carlos Santiago, Nuno Nunes, Jacinto C. Nascimento,Introduction of human-centric AI assistant to aid radiologists for multimodal peast image classification, International Journal of Human-Computer Studies,Volume 150,2021,102607,ISSN 1071-5819
