黃穎敏，陳智毅

廣州醫(yī)科大學(xué)附屬第三醫(yī)院超聲醫(yī)學(xué)科(廣東廣州 510150)

2018年全球癌癥統(tǒng)計(jì)數(shù)據(jù)報(bào)告[1]指出，乳腺癌病死率位列所有腫瘤中的第2位，全球發(fā)病率位列第10位，且呈逐年上升的趨勢(shì)。早期發(fā)現(xiàn)及診治可有效改善乳腺癌患者的生存預(yù)后，延長(zhǎng)其生存年限。超聲是乳腺癌篩查的主要手段，但常規(guī)超聲檢查具有顯著的主觀性及操作者依賴性，且對(duì)早期病變的診斷敏感度欠佳，難以符合新時(shí)代下精準(zhǔn)醫(yī)學(xué)的發(fā)展要求。隨著計(jì)算機(jī)技術(shù)的發(fā)展，人工智能(artificial intelligence，AI)在乳腺影像學(xué)領(lǐng)域的應(yīng)用日益廣泛，為解決傳統(tǒng)乳腺超聲存在的局限性提供了新的思路。本文將綜述近年來AI技術(shù)結(jié)合超聲在乳腺疾病診療中的應(yīng)用新進(jìn)展，并聚焦于AI 在影像的應(yīng)用與挑戰(zhàn)。

1 AI簡(jiǎn)介

AI是計(jì)算機(jī)效仿人類思維和行為方式等人類智能活動(dòng)的一般描述，包括了機(jī)器學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)及深度學(xué)習(xí)等方法或技術(shù)的統(tǒng)稱[2]。而AI被應(yīng)用于醫(yī)學(xué)影像可實(shí)現(xiàn)如檢測(cè)、分類、量化或優(yōu)先級(jí)排序等功能。作為一個(gè)跨學(xué)科領(lǐng)域，AI推動(dòng)醫(yī)學(xué)成像模式的轉(zhuǎn)變，目前已經(jīng)嘗試開發(fā)增強(qiáng)人們理解的計(jì)算機(jī)應(yīng)用，如用于乳腺成像的AI技術(shù)。

2 計(jì)算機(jī)輔助診斷(computer-aided diagnosis，CAD)技術(shù)

作為AI技術(shù)在醫(yī)學(xué)應(yīng)用的一個(gè)重要分支，CAD可提高病灶檢出率，能有助于提高診斷性能。而檢測(cè)與分類是在CAD處理圖像過程中占據(jù)重要地位的兩大功能。

2.1 檢測(cè) 超聲是有價(jià)值的乳腺影像學(xué)檢查方法，但由于檢出率與掃查者手法關(guān)系密切，故容易出現(xiàn)漏診。計(jì)算機(jī)輔助檢測(cè)(computer-aided detection，CADe)可通過在圖像中定位異?；蚩梢蓞^(qū)域，能提高病灶區(qū)域的檢出率并降低假陰性率。

CADe在乳腺癌篩檢中非常依賴細(xì)節(jié)，而既往關(guān)于乳腺超聲的CADe也多是基于二維灰階的半自動(dòng)方式。在使用CADe時(shí)，操作者手動(dòng)定位框在超聲圖像上定位感興趣區(qū)，但?？s小采樣區(qū)域以過度集中圖像細(xì)節(jié)或者為了減少計(jì)算成本只關(guān)注一小部分感興趣區(qū)。而這些不合理的使用將影響CADe的應(yīng)用性能。為實(shí)現(xiàn)真正意義上的全自動(dòng)檢測(cè)，很多學(xué)者都把AI技術(shù)的焦點(diǎn)重點(diǎn)集中于自動(dòng)乳腺容積超聲(automated breast ultrasound，ABUS)上。ABUS可提供一鍵式標(biāo)準(zhǔn)化操作流程和圖像讀取功能，能快速對(duì)整個(gè)乳房進(jìn)行自動(dòng)掃描并產(chǎn)生多種視圖以便醫(yī)生閱讀，但該技術(shù)存在檢查耗時(shí)長(zhǎng)、后期處理工作量大等缺點(diǎn)。ABUS-CAD是具有全自動(dòng)定位、檢測(cè)和分析診斷乳腺腫物等多層次功能設(shè)備，能顯著改善ABUS在檢測(cè)和診斷上的不足，在縮短篩查時(shí)間、降低漏診率等方面都占據(jù)優(yōu)勢(shì)。Qview Medical開發(fā)了第1款被FDA批準(zhǔn)的ABUS-CAD，該系統(tǒng)能夠自動(dòng)定位檢測(cè)最小直徑約5 mm的病灶，并具有導(dǎo)航功能，能為潛在的惡性病變做CAD標(biāo)記[3]。有研究[4]發(fā)現(xiàn)，通過使用ABUS-CAD，觀察者的敏感度均得到改善，但約2/3觀察者的特異度降低。這表明ABUS-CAD具有提高篩查乳腺癌的潛力，但保留部分病例的假陽性。Moon等[5]基于深度學(xué)習(xí)算法開發(fā)的ABUS-CAD能有效減少乳腺癌誤檢率，敏感度高達(dá)95.3%，可減少56.8%的假陽性病例。然而，ABUS-CAD的使用也存在一些缺陷[6]，首先，雖然它可提高內(nèi)部呈低回聲的浸潤(rùn)性癌的檢出率，但易忽略體積較小的腫瘤或內(nèi)部呈高或等回聲的腫瘤。其次，ABUS-CAD通過3個(gè)維度視圖獲取多種描述乳腺癌特征信息的同時(shí)可發(fā)生過度擬合現(xiàn)象，因特征增多，導(dǎo)致算法復(fù)雜、計(jì)算難度加大等問題出現(xiàn)。

CADe通過精細(xì)的分割技術(shù)來獲取描述乳腺癌最有價(jià)值的定量信息，這對(duì)早期發(fā)現(xiàn)乳腺癌有重要意義。然而，受乳腺灰階圖像斑點(diǎn)高、邊界模糊、信噪比低、對(duì)比度低和強(qiáng)度不均勻等因素的影響，乳腺腫瘤分割過程困難。因此，定位技術(shù)在乳腺超聲圖像上的開發(fā)依舊難度大[7]，這也將是未來需要攻克的關(guān)鍵。

2.2 分類 因良惡性乳腺腫瘤特征的共性、差異性及交叉特性，僅通過肉眼和經(jīng)驗(yàn)在超聲上鑒別這兩者易發(fā)生誤診。基于乳腺癌圖像特征與病理類型存在相關(guān)性，將CAD應(yīng)用于乳腺超聲圖像，通過量化腫瘤特征，可獲得定性解釋，有助于分類診斷。

2.2.1 基于定義圖像特征的CAD分類 基于定義圖像特征的CAD是指通過人工提取專家限定特征并特征向量化后進(jìn)行機(jī)器學(xué)習(xí)的技術(shù)。該技術(shù)因使用簡(jiǎn)便、具有降低運(yùn)算復(fù)雜度的優(yōu)勢(shì)，已被應(yīng)用于乳腺良惡性腫瘤的分類診斷，而常用的特征有紋理、形態(tài)與特征描述符。三陰性乳腺癌是一種侵襲性惡性乳腺腫瘤，但在臨床上常誤診為乳腺纖維腺瘤。有研究[8]表明，基于紋理特征的CAD能有效提高在超聲圖像中鑒別三陰性乳腺癌和良性纖維腺瘤的能力。形態(tài)特征可導(dǎo)致方向性和紋理更加復(fù)雜。有文獻(xiàn)[9]指出，將紋理特征合并形態(tài)學(xué)信息能提高分類診斷的鑒別能力?；谝陨侠碚撝危珿ómez-Flores等[10]分別在超聲及X線圖像上各獲取乳腺腫瘤的39個(gè)形態(tài)特征的空間信息，利用CAD獲得診斷乳腺癌的獨(dú)特組合。與X線相比，基于超聲的CAD更具分辨乳腺癌的能力，準(zhǔn)確度為88%，敏感度為81%，特異度高達(dá)91%。此外，由乳腺特征描述符構(gòu)建的BI-RADS詞典是經(jīng)過驗(yàn)證的定性生物標(biāo)記物。目前，結(jié)合AI的BI-RADS評(píng)估已作為國(guó)際上乳腺成像研究中衡量惡性腫瘤的標(biāo)準(zhǔn)[11]。應(yīng)用BI-RADS評(píng)估作為診斷的量化指標(biāo)可改善AI對(duì)分析結(jié)果的解析性能。乳腺影像學(xué)的異質(zhì)性可產(chǎn)生不一致的影像報(bào)告，可引發(fā)臨床決策的不確定性。有學(xué)者[12]通過AI細(xì)分BI-RADS類別4的良惡性，促進(jìn)基于BI-RADS的結(jié)構(gòu)化報(bào)告的使用，可改善罹患乳腺疾病的患者分類管理。然而，基于定義圖像特征的CAD靠專家手工編程，則特征提取過程存在工作量大且人力成本高、主觀偏倚及深層潛在特征不易被機(jī)器主動(dòng)發(fā)現(xiàn)等缺陷。

2.2.2 基于深度學(xué)習(xí)的CAD分類 深度學(xué)習(xí)(deep learning，DL)不依賴人工提取特征，可直接從原始圖像中生成高級(jí)特征表示[13]。在算力、數(shù)據(jù)、算法的驅(qū)動(dòng)下，DL在近年AI領(lǐng)域發(fā)展最為迅猛?；贒L的乳腺超聲CAD能提高診斷乳腺癌的準(zhǔn)確性，可與人工讀片媲美，并可在超聲檢查期間進(jìn)行實(shí)時(shí)分析，也能有效改善觀察者的診斷效能[14]。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)作為DL重要算法的一種，在檢測(cè)癌癥方面具有良好的應(yīng)用前景[15]。國(guó)外學(xué)者[16-17]相繼構(gòu)建基于CNN的乳腺超聲CAD。雖然他們開發(fā)的模型都顯示出優(yōu)越的診斷效能(敏感度、特異度和準(zhǔn)確性均>90%)，但仍需要大數(shù)據(jù)、更廣泛的多中心研究進(jìn)行驗(yàn)證。各種乳腺病變的組織學(xué)分類難以在超聲圖像上被準(zhǔn)確地區(qū)分開來。Hizukuri等[18]開發(fā)了基于CNN的CAD來分類浸潤(rùn)性癌、非浸潤(rùn)性癌、囊腫和纖維腺瘤等4種乳腺病變，實(shí)現(xiàn)了首次基于CAD進(jìn)行乳腺病變組織學(xué)分類，其準(zhǔn)確性范圍為83.9%～87.6%，該研究模型將有助于乳腺病變的鑒別診斷，有望作為診斷的主要輔助手段。DL技術(shù)可提供可喜的分析結(jié)果，但其透明度、是否具有可解釋性等問題仍限制其進(jìn)一步發(fā)展。為構(gòu)建更為強(qiáng)大的AI系統(tǒng)，了解DL的決策機(jī)制，仍需各方專家尋求更好的解決辦法。

3 影像組學(xué)

影像組學(xué)是AI在醫(yī)學(xué)影像的研究熱點(diǎn)，是指從醫(yī)學(xué)圖像中高通量地提取大量定量特征，結(jié)合機(jī)器學(xué)習(xí)等AI算法，篩選用以解析臨床信息最有價(jià)值的特征，來輔助疾病的診斷、治療及預(yù)后評(píng)估的技術(shù)[19]。影像組學(xué)來源于CAD，而融合影像、基因、臨床等信息的新興影像組學(xué)不僅可精準(zhǔn)診斷乳腺癌，還可了解分子機(jī)制的發(fā)生與基因表達(dá)水平，并為臨床提供不同生物學(xué)行為信息，從而推動(dòng)乳腺癌個(gè)體化精準(zhǔn)治療的進(jìn)程。關(guān)于乳腺癌，主要是通過MRI來研究影像組學(xué)。然而，最近出現(xiàn)的一些研究探索了結(jié)合超聲的影像組學(xué)的臨床應(yīng)用潛力。Li等[20]研究表明，影像組學(xué)可提高聲像特征對(duì)乳腺癌的精準(zhǔn)診斷。他們利用多模態(tài)超聲影像組學(xué)診斷乳腺癌的準(zhǔn)確性可達(dá)84.12%，敏感度高達(dá)92.86%。乳腺癌是以ER、PR、Ki-67、HER2等不同標(biāo)志物狀態(tài)作為分子亞型分類依據(jù)，分為L(zhǎng)uminal A型、Luminal B型、HER2陰性型、HER2陽性型、基底樣型/三陰性型及其他特殊類型[21]。表征各異的乳腺癌分子亞型可影響治療計(jì)劃的選擇。而關(guān)于乳腺癌分子亞型信息通常是通過組織活檢獲取的，但基于超聲的影像組學(xué)已實(shí)現(xiàn)無創(chuàng)獲取組織病理學(xué)信息的優(yōu)化。Zhang等[22]研究發(fā)現(xiàn)，不同超聲特征組成的影像組學(xué)可對(duì)應(yīng)不同乳腺癌分子亞型：如基于回聲暈、后方聲影的Luminal A型；基于無聲暈和富血供的Luminal B型；基于后方回聲增強(qiáng)、鈣化、富血供和高齡的HER2陽性型；而三陰性型可分為兩種表現(xiàn)，其中一種是不規(guī)則分葉形、無鈣化和乏血供型，而另一種則是呈橢圓形、乏血供和微分葉型。此外，乳腺癌不同生物學(xué)標(biāo)志物的受體狀態(tài)與其腫瘤分級(jí)也影響著乳腺癌的超聲表現(xiàn)。Guo等[23]通過開發(fā)一款智能化影像組學(xué)模型發(fā)現(xiàn)，超聲特征和乳腺浸潤(rùn)性導(dǎo)管癌的生物特征存在相關(guān)性。低級(jí)別乳腺浸潤(rùn)性導(dǎo)管癌呈ER+、PR+和HER2陰性型者多表現(xiàn)為形狀不規(guī)則、邊界不清、內(nèi)部呈高或混合回聲和伴后方聲影的超聲特性。而高級(jí)別三陰型乳腺浸潤(rùn)性導(dǎo)管癌則傾向于形狀規(guī)則、邊界清、內(nèi)部呈低回聲和伴側(cè)方增強(qiáng)的超聲表現(xiàn)。由超聲聯(lián)合基因構(gòu)建的影像組學(xué)與浸潤(rùn)性乳腺癌患者的臨床表型具有較強(qiáng)的相關(guān)性。因此，這種新興影像組學(xué)可有效分類預(yù)后好的ER+、PR+和HER2陰性型乳腺癌與預(yù)后差的三陰性型乳腺癌，這對(duì)輔助醫(yī)師制定治療計(jì)劃并了解疾病預(yù)后和轉(zhuǎn)歸具有潛在價(jià)值。有研究[24]表明，由超聲特征組成的影像組學(xué)可為開展有效的術(shù)前決策提供方向，有望成為預(yù)測(cè)乳腺癌術(shù)前分期中腋窩淋巴結(jié)轉(zhuǎn)移的一種無創(chuàng)且可靠的工具。Zheng等[25]利用常規(guī)超聲和剪切波彈性成像等獲取高通量特征信息建立基于深度學(xué)習(xí)的影像組學(xué)，用于早期預(yù)測(cè)乳腺癌腋窩淋巴結(jié)轉(zhuǎn)移。該方法可預(yù)測(cè)臨床T1或T2期乳腺癌患者的腋窩淋巴結(jié)轉(zhuǎn)移狀態(tài)，在區(qū)分是否有腋窩淋巴結(jié)轉(zhuǎn)移上明顯優(yōu)于單一成像方式，在識(shí)別1～2個(gè)腋窩淋巴結(jié)轉(zhuǎn)移和≥3個(gè)腋窩淋巴結(jié)轉(zhuǎn)移等方面也具備良好的鑒別能力。由于該方法的假陰性率與腋窩前哨淋巴結(jié)活檢相似，因此，由超聲特征構(gòu)建的影像組學(xué)有望代替腋窩前哨淋巴結(jié)活檢，用于無創(chuàng)評(píng)估早期乳腺癌腋窩淋巴結(jié)轉(zhuǎn)移。此外，影像組學(xué)也可用于乳腺癌治療后的療效評(píng)估。作為局部晚期乳腺癌的一線治療方法，新輔助化療在手術(shù)前使用可縮小瘤體和降低遠(yuǎn)處轉(zhuǎn)移風(fēng)險(xiǎn)，但≤50%的患者能達(dá)到完全病理緩解。而Sannachi等[26]利用由定量超聲、組織結(jié)構(gòu)分析和分子特征組成的影像組學(xué)預(yù)測(cè)新輔助化療后患者病理緩解的能力。因此，影像組學(xué)能預(yù)測(cè)治療后反應(yīng)并有助于指導(dǎo)難治性患者的治療計(jì)劃實(shí)施。

總之，結(jié)合超聲的影像組學(xué)可表征不同乳腺癌分子亞型，可無創(chuàng)獲取乳腺癌分級(jí)、分期等有價(jià)值信息。這為全面研究腫瘤生物學(xué)行為開啟了新的探索方向。然而，各學(xué)者對(duì)影像組學(xué)的基本概念了解有限，不同的學(xué)科對(duì)于該術(shù)語具有各自的定義和應(yīng)用，這妨礙了各學(xué)科間的交流。且由于有效、標(biāo)準(zhǔn)化的特征提取和數(shù)據(jù)共享系統(tǒng)等缺乏，限制了影像組學(xué)的發(fā)展。而既往關(guān)于影像組學(xué)的研究是回顧性的，且規(guī)模小、簡(jiǎn)單，因此，未來仍需要更大的前瞻性多中心研究來驗(yàn)證這些初步結(jié)果。而隨著影像組學(xué)的廣泛應(yīng)用，乳腺成像中有用的生物標(biāo)志物的數(shù)量必將大幅度增加，這對(duì)集成和共享患者數(shù)據(jù)的數(shù)據(jù)庫將被迫切地需求。

4 多模態(tài)醫(yī)學(xué)圖像融合技術(shù)

多模態(tài)醫(yī)學(xué)圖像融合技術(shù)是指綜合多個(gè)不同模態(tài)的醫(yī)學(xué)圖像，可獲取比單一功能圖像或解剖圖像更可靠、更準(zhǔn)確的病灶類別屬性的描述信息。該技術(shù)將超聲、X線、正電子發(fā)射計(jì)算機(jī)斷層成像(PET)、CT及MRI等影像進(jìn)行智能化綜合，實(shí)現(xiàn)多信息可視化、信息互補(bǔ)等作用。而超聲容積導(dǎo)航(volume navigation)是一種多模態(tài)圖像融合技術(shù)，是通過將超聲圖像融合CT/MRI/PET-CT等影像進(jìn)行定位追蹤，能提高超聲圖像病變的可視性和影像診斷的準(zhǔn)確性，可應(yīng)用于醫(yī)療診斷、外科手術(shù)制定、放射治療方案制定、病理變化示蹤和治療效果評(píng)估等多個(gè)方面。有學(xué)者[27]提出，在乳腺癌患者的術(shù)前評(píng)估中，乳腺超聲磁共振的容積導(dǎo)航技術(shù)能顯著改善MRI可檢出但二次超聲無法檢出的病灶，有助于確定最佳個(gè)體化治療方案。二次超聲掃查能夠?qū)RI檢出而首次超聲隱匿的病灶進(jìn)行評(píng)估及引導(dǎo)穿刺活檢。而Aribal等[28]也證實(shí)了乳腺超聲磁共振的容積導(dǎo)航技術(shù)具有與二次超聲掃查相似的實(shí)用性，可作為超聲隱匿性乳腺病變的MRI引導(dǎo)活檢的替代方法。此外，不管病灶位置有多深，超聲容積導(dǎo)航復(fù)檢均能提高不少乳腺隱匿性病變的檢出率，能有效引導(dǎo)對(duì)惡性病變進(jìn)行安全活檢[29]。近年來，多模態(tài)醫(yī)學(xué)圖像融合技術(shù)在乳腺癌診療中越來越受到重視。然而，精確配準(zhǔn)和融合方法仍是多模態(tài)醫(yī)學(xué)融合技術(shù)中最具挑戰(zhàn)性的關(guān)鍵問題，可存在以下因素限制該技術(shù)的發(fā)展：(1)不同模態(tài)的成像機(jī)制不同和隨時(shí)間變化的生理變化等可影響融合技術(shù)的穩(wěn)定性、速度與精度；(2)缺乏完善、統(tǒng)一的融合及配準(zhǔn)技術(shù)；(3)暫缺對(duì)融合后圖像的客觀評(píng)價(jià)標(biāo)準(zhǔn)以及不可避免的觀察者間差異等共性弱點(diǎn)顯著。(4)超聲圖像斑點(diǎn)噪聲突出、分辨率低，導(dǎo)致與其他影像配準(zhǔn)融合更加困難。盡管如此，多模態(tài)仍是AI的未來，有學(xué)者[30]分析，翻譯、對(duì)齊、融合和共同學(xué)習(xí)這種新的分類方法將有助于研究人員更好地了解該領(lǐng)域，從而可確定多模態(tài)AI的未來研究方向。

5 思考與總結(jié)

隨著醫(yī)療技術(shù)的發(fā)展，AI技術(shù)突破傳統(tǒng)超聲的技術(shù)壁壘，為臨床提供高效、精確、可重復(fù)性診斷乳腺腫瘤的有效手段。目前，AI技術(shù)在醫(yī)學(xué)領(lǐng)域中的應(yīng)用展現(xiàn)出巨大潛力，推動(dòng)了乳腺影像技術(shù)和診斷理念的轉(zhuǎn)變。這一交叉學(xué)科的發(fā)展促進(jìn)并加深了基因于分子影像學(xué)在乳腺癌發(fā)生、發(fā)展和轉(zhuǎn)歸的探索，有望在乳腺癌篩查、診斷及治療中發(fā)揮更大作用，進(jìn)而加快推動(dòng)個(gè)體化、精細(xì)化、精準(zhǔn)化醫(yī)療發(fā)展。然而，仍存在不少不利因素阻礙AI的發(fā)展步伐。

5.1 標(biāo)準(zhǔn)化數(shù)據(jù)與規(guī)范、統(tǒng)一的基礎(chǔ)技術(shù)框架的缺乏 構(gòu)建AI系統(tǒng)需要大量數(shù)據(jù)，但多數(shù)數(shù)據(jù)不易獲得，且數(shù)據(jù)標(biāo)記不正確或達(dá)不到質(zhì)量要求、數(shù)據(jù)采集不標(biāo)準(zhǔn)和各種成像機(jī)制的差異都可產(chǎn)生有差別的數(shù)據(jù)集合。將噪聲和偽影造成的有損壞數(shù)據(jù)、錯(cuò)誤錄入、重復(fù)記錄、缺失、不完整記錄等不確定數(shù)據(jù)納入數(shù)據(jù)處理，可干擾使用者或計(jì)算機(jī)的決策分析結(jié)果。不了解AI在各實(shí)踐領(lǐng)域的功能，在開發(fā)、培訓(xùn)、測(cè)試和驗(yàn)證等流程上缺乏統(tǒng)一、規(guī)范及標(biāo)準(zhǔn)的基礎(chǔ)技術(shù)。

5.2 可解析性的探討 因缺乏透明度與可解析的分析結(jié)果，AI技術(shù)將難以廣泛推廣到不同的成像設(shè)備、掃描方式和患者群體中。因此，AI系統(tǒng)應(yīng)包含可解釋的AI元素，以增強(qiáng)AI決策的解釋性能。如何使得AI更透明、更易懂、更可信是未來的熱門研究課題。

5.3 安全監(jiān)察與道德法規(guī)的疑惑、挑戰(zhàn) 醫(yī)生將AI用于臨床實(shí)踐前是否應(yīng)對(duì)操作醫(yī)生進(jìn)行培訓(xùn)，以及是否將AI教育納入放射科醫(yī)生培訓(xùn)仍未有明確結(jié)論。AI的出現(xiàn)引發(fā)了有關(guān)專家應(yīng)用AI在醫(yī)學(xué)診斷中所處角色定位的疑問。AI決策和其采用的算法是否應(yīng)在法規(guī)和標(biāo)準(zhǔn)化審核中得到認(rèn)可。為了測(cè)試AI的性能和安全性，是否需要建立一個(gè)通用測(cè)試系統(tǒng)檢測(cè)AI在不同成像設(shè)備上的性能。為了在醫(yī)療領(lǐng)域應(yīng)用AI，以支持保護(hù)人權(quán)，用戶安全和算法透明的法規(guī)，是否需要制定道德標(biāo)準(zhǔn)。AI的錯(cuò)誤分析將涉及算法偏差和錯(cuò)誤問責(zé)制的倫理挑戰(zhàn)。如何建立保障措施防范AI的潛在陷阱等。

迄今為止，雖然AI在醫(yī)學(xué)影像的應(yīng)用仍不能作為一個(gè)獨(dú)立的臨床程序用于檢測(cè)和診斷乳腺癌。在未來，為了使有效的AI算法在乳腺影像的臨床實(shí)踐中得到廣泛而嚴(yán)格的驗(yàn)證，將需建立大規(guī)模、匿名、高質(zhì)量、可共享和可解析的公共數(shù)據(jù)庫。