薛宏偉，王培軍

（同濟(jì)大學(xué)附屬同濟(jì)醫(yī)院放射科，上海 200065）

乳腺癌在全球女性癌癥中的發(fā)病率最高，且發(fā)病率呈逐年上升趨勢(shì)。MRI 因具有軟組織分辨力更高、無電離輻射、多參數(shù)及多功能成像等優(yōu)勢(shì)，是乳腺檢查的重要技術(shù)手段。乳腺M(fèi)RI 常用掃描序包括橫軸位T2WI、橫軸位T1WI、DWI、增強(qiáng)掃描前橫軸位脂肪抑制T1WI、動(dòng)態(tài)對(duì)比增強(qiáng)成像（dynamic contrastenhanced MRI，DEC-MRI）等，其中DEC-MRI 不僅可顯示腫瘤強(qiáng)化的形態(tài)特征，還可進(jìn)行后處理獲得病變強(qiáng)化特征的TIC 及血管重建MIP，提高了乳腺疾病的診斷準(zhǔn)確率，還可用于乳腺癌高危女性的篩查、術(shù)前分期和治療監(jiān)控等［1］。然而，各醫(yī)院乳腺M(fèi)RI掃描設(shè)備及參數(shù)不同，MRI 圖像數(shù)量多、讀片時(shí)間長(zhǎng)，經(jīng)驗(yàn)豐富的MRI 診斷醫(yī)師相對(duì)缺乏，增大了臨床醫(yī)師的工作負(fù)荷及診斷錯(cuò)誤率。

深度學(xué)習(xí)通過從低級(jí)的邊緣特征，到形狀及目標(biāo)部分，再到高級(jí)的整體部分，一層層將特征抽象出來。通過特征的多層級(jí)和相關(guān)的影像表達(dá)，自動(dòng)提取相關(guān)的特征，有望實(shí)現(xiàn)MRI 圖像的自動(dòng)分析［2-4］。其中，深度學(xué)習(xí)根據(jù)是否需要標(biāo)簽數(shù)據(jù)，分為有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。有監(jiān)督學(xué)習(xí)是專家先標(biāo)記處理相關(guān)數(shù)據(jù)集，再用這些顯式數(shù)據(jù)集進(jìn)行模型訓(xùn)練得到預(yù)測(cè)模型，因此通?？傻玫捷^好的訓(xùn)練結(jié)果，但需經(jīng)驗(yàn)豐富的專家耗費(fèi)大量時(shí)間及精力去標(biāo)注數(shù)據(jù)，這也是有監(jiān)督學(xué)習(xí)的一大缺陷；無監(jiān)督學(xué)習(xí)僅根據(jù)訓(xùn)練數(shù)據(jù)的特征分析將樣本最佳地分為不同的類別而無需使用標(biāo)簽，因此無需專家標(biāo)記，此類算法通常可利用大量數(shù)據(jù)的特征進(jìn)行學(xué)習(xí)。目前，基于深度學(xué)習(xí)的人工智能技術(shù)在乳腺M(fèi)RI 中的應(yīng)用主要集中在病灶分割、診斷及預(yù)測(cè)3 個(gè)方面，下面將從這3 個(gè)方面進(jìn)行綜述。

1 病灶分割

計(jì)算機(jī)輔助診斷（computer assisted diagnosis，CAD）技術(shù)對(duì)MRI 的病變分割至關(guān)重要。然而乳腺病變分割技術(shù)存在2 個(gè)主要的問題：①需手動(dòng)描繪ROI 作為標(biāo)記圖像；②需大量的標(biāo)記圖像用于模型構(gòu)建和參數(shù)學(xué)習(xí)。目前，應(yīng)用Sun 等［5］提出的從乳腺M(fèi)RI 圖像中提取腫瘤的圖像分割框架，可成功解決乳腺病變分割的主要技術(shù)問題。但在實(shí)際臨床或?qū)嶒?yàn)環(huán)境中，難以獲得足夠標(biāo)記的MRI 圖像，暫時(shí)無法形成數(shù)量可觀的數(shù)據(jù)集。

乳腺M(fèi)RI 的各種CAD 需對(duì)乳腺病灶和纖維腺體組織進(jìn)行自動(dòng)分割。傳統(tǒng)的圖像分析和計(jì)算機(jī)視覺技術(shù)，如模板匹配、邊緣和表面檢測(cè)等，其適用性常受研究數(shù)據(jù)集中所使用的圖像特征限制，且乳腺M(fèi)RI 圖像不僅隨乳腺形狀變化，還隨不同MRI 掃描方案變化，這些不足使得利用傳統(tǒng)方法對(duì)乳腺病灶和纖維腺體組織進(jìn)行分割較困難。2017 年Dalm 等［6］通過深度學(xué)習(xí)技術(shù)對(duì)乳腺病灶和纖維腺組織進(jìn)行MRI 體積分割，設(shè)計(jì)了“U-net”的深度學(xué)習(xí)算法，此方法明顯優(yōu)于現(xiàn)有算法，對(duì)乳腺密度計(jì)算更精確。2019 年Zhang 等［7］使用深度學(xué)習(xí)的全卷積殘差神經(jīng)網(wǎng)絡(luò)U-Net 架構(gòu)，用于在乳腺M(fèi)RI 中的纖維腺組織的分割，并在獨(dú)立的數(shù)據(jù)集中進(jìn)行測(cè)試，該方法分割精度良好，且無需后期處理校對(duì)。隨著進(jìn)一步完善和驗(yàn)證，這種基于深度學(xué)習(xí)的分割方法可提供一種準(zhǔn)確有效的手段量化纖維腺組織體積，以評(píng)估乳腺密度。

乳腺M(fèi)RI 具有準(zhǔn)確測(cè)量纖維腺體組織體積的潛力，可評(píng)估乳腺密度［8-11］。對(duì)乳腺密度評(píng)估及病變定位，計(jì)算機(jī)輔助MRI 評(píng)估需準(zhǔn)確地將乳腺與身體其他組織區(qū)域分開，若背景噪聲較低，則可通過乳腺邊緣空氣信號(hào)強(qiáng)度的急劇改變輕松識(shí)別乳腺-空氣邊界［12-14］。然而，由于線圈相關(guān)的強(qiáng)度不均勻性假象和部分體積問題［15］，使乳腺邊界的檢測(cè)較困難。2016 年Ertas 等［16］發(fā)布了一種適用于乳腺M(fèi)RI 的分割方法，用于支持CAD 技術(shù)對(duì)乳腺組織分析、密度評(píng)估和病變定位，成功解決了上述問題。

DCE-MRI 是乳腺M(fèi)RI 最基礎(chǔ)的檢查序列，不僅可提供病灶的形態(tài)學(xué)特征，如形狀、大小，還能提供病灶的動(dòng)力學(xué)參數(shù)和血管情況，如病灶強(qiáng)化程度、動(dòng)態(tài)曲線類型、強(qiáng)化達(dá)峰時(shí)間及對(duì)比劑是否廓清，這些能夠更準(zhǔn)確檢測(cè)及診斷病灶［17-18］。但由于惡性腫瘤組織存在明顯的異質(zhì)性，增強(qiáng)的動(dòng)力學(xué)模式在腫瘤的不同部位可能是不同的［19］，因此需行圖像后處理，將不同部分病變單獨(dú)行三維重建，分析時(shí)間空間特征，進(jìn)行病變?cè)\斷。Yin 等［20］提出的一種基于張量代數(shù)的新方法，利用高階奇異值分解，獲得DCE-MRI一系列圖像相關(guān)多維數(shù)據(jù)結(jié)構(gòu)，再通過多通道重建方法對(duì)病變行三維重建，重建出的病變邊界清晰連續(xù)。該方法不僅去除病變部位的強(qiáng)度不均分布，還抑制了背景脂肪的信號(hào)，增加了腫瘤與背景實(shí)質(zhì)的對(duì)比，提高了病變檢測(cè)及診斷效果。

2 病灶診斷

通過對(duì)乳腺M(fèi)RI 病變的形態(tài)、動(dòng)力學(xué)等特征分析，以及結(jié)合人工智能的輔助，放射科醫(yī)師可提高對(duì)乳腺良惡性病變及惡性腫瘤分型的診斷準(zhǔn)確性。2020 年Jiang 等［21］研究發(fā)現(xiàn)人工智能與DCE-MRI 相結(jié)合能提高放射科醫(yī)師對(duì)乳腺病變良惡性的鑒別診斷水平。2018 年Daniel 比較了放射分析法、卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）算法、放射科醫(yī)師利用多參數(shù)乳腺M(fèi)RI 對(duì)良惡性病灶的診斷情況［22］，其中放射分析法的AUC 為0.80，而CNN 算法經(jīng)過訓(xùn)練之后的AUC 從0.83 提升至0.88，但兩者的AUC 均低于放射科醫(yī)師（0.98）；可見，即使在有限的訓(xùn)練數(shù)據(jù)集下，CNN 在多參數(shù)乳腺M(fèi)RI 成像病變分類方面還是優(yōu)于放射分析法算法，雖然CNN 診斷結(jié)果不如乳腺放射科醫(yī)師，但通過增加更豐富、更標(biāo)準(zhǔn)的訓(xùn)練數(shù)據(jù)集及測(cè)試集，CNN 算法在乳腺M(fèi)RI 方面的診斷具有很高的潛力。

目前，小數(shù)據(jù)集、計(jì)算時(shí)間和圖像處理的時(shí)間較長(zhǎng)等因素阻礙了深度學(xué)習(xí)方法在放射醫(yī)學(xué)CAD 中的應(yīng)用。2017 年Antropova 等［23］提出了通過利用預(yù)先訓(xùn)練的CNN 和現(xiàn)有傳統(tǒng)的計(jì)算機(jī)輔助診斷特征來解決深度學(xué)習(xí)方法在放射醫(yī)學(xué)中CAD 的效率問題。這種新穎的乳腺癌CAD 方法，與現(xiàn)有的方法相比，可更加高效地描述乳腺病變，且圖像無需預(yù)處理。在根據(jù)乳腺病灶大小、密度、邊界、形態(tài)等一般影像學(xué)特征診斷基礎(chǔ)上，Yang 等［24］建議將背景實(shí)質(zhì)增強(qiáng)特征整合到?jīng)Q策過程中，使用DCE-MRI 研究應(yīng)用新的定量圖像分析方法提高乳腺癌診斷性能的可行性；所提出的定量背景實(shí)質(zhì)增強(qiáng)特征為DCE-MRI 中乳腺腫瘤的動(dòng)力學(xué)特征提供了有價(jià)值的補(bǔ)充信息加入的計(jì)算機(jī)輔助診斷方法可提高基于DCE-MRI 檢查對(duì)乳腺疾病的診斷水平。DWI 模型擬合的直方圖特性是提示病理分類的有價(jià)值特征，通過機(jī)器深度學(xué)習(xí)可潛在地改進(jìn)分類。Vidi 等［25］研究發(fā)現(xiàn)，支持向量機(jī)使用擴(kuò)散模型組合的特征，提高了對(duì)良性與惡性乳腺腫瘤分化的預(yù)測(cè)準(zhǔn)確性，有助于乳腺癌的亞型分析。

3 病灶預(yù)測(cè)

隨著個(gè)體化、精準(zhǔn)醫(yī)學(xué)的日益普及，腫瘤生物標(biāo)志物在指導(dǎo)臨床治療中發(fā)揮著越來越重要的作用［26］。美國(guó)臨床腫瘤學(xué)會(huì)指南指出，生物標(biāo)志物結(jié)果可提示診斷和預(yù)后，監(jiān)測(cè)乳腺癌復(fù)發(fā)或進(jìn)展［27］。人工智能在乳腺M(fèi)RI 中的預(yù)測(cè)主要集中于對(duì)乳腺癌亞型及Ki-67 標(biāo)記值與腫瘤特征之間聯(lián)系的研究。

Ki-67 是乳腺癌一個(gè)有價(jià)值的預(yù)后指標(biāo)［28］，也是化療評(píng)估的重要指標(biāo)，而基于Ki-67 的術(shù)前內(nèi)分泌預(yù)后指數(shù)是復(fù)發(fā)風(fēng)險(xiǎn)的具有可行性的預(yù)測(cè)指標(biāo)。Dowsett 等［29］的研究表明，通過測(cè)量接受短期內(nèi)分泌治療患者的Ki-67，可提高對(duì)腫瘤無復(fù)發(fā)生存期的預(yù)測(cè)性能。然而，由于腫瘤異質(zhì)性表達(dá)，傳統(tǒng)侵入性檢測(cè)方法（即活檢樣本）的準(zhǔn)確性受到抽樣誤差的影響。而Liang 等［30］研究表明，乳腺癌基于MRI 的放射組學(xué)與Ki-67 之間存在相關(guān)性。

乳腺癌具有高度異質(zhì)性，不同乳腺癌亞型的臨床生物學(xué)、病理學(xué)特性和治療反應(yīng)性均不同［31］。按照第13 屆St.Gallen 國(guó)際乳腺癌會(huì)議制定的分子分型，將乳腺癌分為4 個(gè)亞型：Luminal A 型、Luminal B 型、HER-2 型和三陰性型［32］，亞型分型為臨床治療選擇提供了依據(jù)［33］。近幾年，學(xué)者們?cè)噲D將從MRI 中提取的腫瘤特征與乳腺癌的分子亞型聯(lián)系起來［34-35］，許多研究分析了定性和半定量MRI 特征與分子亞型或三陰性乳腺癌之間的關(guān)系［36-38］。Koo 等［39］發(fā) 現(xiàn)DCE-MRI 灌注參數(shù)［容量轉(zhuǎn)移常數(shù)（Ktrans）、血管外細(xì)胞外間隙容積比（Ve）和速率常數(shù)（Kep）］與預(yù)后因素及乳腺癌的三陰性亞型相關(guān)。Grimm 等［40］計(jì)算了半自動(dòng)提取的成像特征，以確定定量MRI 特征與乳腺癌亞型之間的關(guān)系，結(jié)果顯示2 種動(dòng)態(tài)成像特征與乳腺癌Luminal A 型和B 型之間存在中度相關(guān)性。Fan 等［41］首次使用三維容積成像特征對(duì)乳腺癌的4 種不同的分子亞型進(jìn)行分類，探討從DCE-MRI 中提取的特征與臨床信息在乳腺癌分子亞型預(yù)測(cè)中的應(yīng)用。

大量研究表明，人工智能尤其是深度學(xué)習(xí)技術(shù)的快速發(fā)展，對(duì)提高乳腺M(fèi)RI 的診斷性能并擴(kuò)大其臨床應(yīng)用有重要作用。目前，人工智能在乳腺M(fèi)RI的病變分割、檢測(cè)及病灶預(yù)測(cè)等方面均得到應(yīng)用。利用人工智能對(duì)乳腺M(fèi)RI 進(jìn)行研究可輔助臨床醫(yī)師進(jìn)行診斷，提升其工作效率。但人工智能應(yīng)用仍有很多問題：①模型的普適性、穩(wěn)定性、可重復(fù)性等仍需更大規(guī)模的數(shù)據(jù)進(jìn)行驗(yàn)證，特別是不同掃描設(shè)備、不同序列及參數(shù)等數(shù)據(jù)的應(yīng)用；②深度學(xué)習(xí)乳腺M(fèi)RI 的模型尚未完善，人工智能在乳腺M(fèi)RI 的研究多集中在發(fā)現(xiàn)病灶及判斷良惡性方面，對(duì)于預(yù)測(cè)乳腺癌分子分型及淋巴結(jié)轉(zhuǎn)移的研究較少，且樣本量較小。③相關(guān)人工智能軟件的臨床應(yīng)用，需更加規(guī)范化的開發(fā)及使用環(huán)境。但總體上，近年來人工智能的研究越來越完善，尤其隨著精準(zhǔn)醫(yī)療的發(fā)展，人工智能將更好地應(yīng)用于乳腺M(fèi)RI 的疾病檢測(cè)、診斷、治療和風(fēng)險(xiǎn)評(píng)估等，更好地輔助臨床制訂個(gè)性化診療方案。