17.5 乳腺影像智能诊断技术
17.5 乳腺影像智能诊断技术
乳腺癌筛查是人工智能最早进入临床应用的影像领域之一。从传统计算机辅助检测到深度学习智能系统，从钼靶摄影到断层成像技术，乳腺影像人工智能正在经历从"辅助标注"到"自主诊断"的重大转型。
一、钼靶计算机辅助检测演进历程
| 阶段 | 技术 | 特点 | 监管批准 |
|------|------|------|---------|
| 第一代系统 | 规则+模板匹配 | 假阳性率较高 | 1998年首次获批 |
| 第二代系统 | 传统机器学习+特征提取 | 假阳性有所改善 | 商业化应用 |
| 第三代智能 | 深度学习端到端 | 敏感度明显提高 | 2018年后获批 |
| 自主读片AI | Transformer/大模型 | 可独立完成筛查分流 | 部分获CE认证 |
| 钼靶AI任务 | 输入 | 输出 | 临床价值 |
|-----------|------|------|---------|
| 肿块识别 | CC+MLO位 | 位置+形态 | 降低漏诊率 |
| 钙化识别 | 局部放大 | 钙化簇分布 | 早期导管原位癌检出 |
| 结构扭曲 | 全片 | 扭曲区域 | 最具挑战的征象 |
| 双侧不对称 | 双乳对比 | 不对称区域 | 需对称性分析 |
二、断层合成（DBT）智能分析
| 对比项 | 钼靶 | DBT |
|--------|------|-----|
| 成像方式 | 2D投影 | 多角度重建 |
| 层叠伪影 | 明显 | 大幅降低 |
| 阅片时间 | ~1分钟 | ~2-3分钟 |
| AI输入维度 | 2D | 3D(准3D) |
| AI模型要求 | 2D CNN即可 | 3D CNN或切片聚合 |
| DBT AI策略 | 方法 | 优缺点 |
|-----------|------|--------|
| 切片独立 | 逐切片2D推理 | 简单，丢失层间信息 |
| 切片聚合 | 2D+时序聚合 | 平衡效果与效率 |
| 3D卷积 | 直接3D CNN | 效果好但计算量大 |
| 合成2D | DBT→合成钼靶→2D AI | 兼容现有系统 |
三、乳腺密度评估
| BI-RADS密度分级 | 描述 | 占比 | AI评估方法 |
|----------------|------|------|-----------|
| A | 几乎全脂肪 | ~10% | 密度占比<25% |
| B | 散在纤维腺体 | ~40% | 密度占比25-50% |
| C | 不均匀致密 | ~40% | 密度占比50-75% |
| D | 极度致密 | ~10% | 密度占比>75% |
💡 乳腺密度是乳腺癌独立危险因素，也是AI假阴性的重要原因——致密乳腺掩盖病灶。
四、BI-RADS辅助判读
| AI功能 | 实现方式 | 一致性(Kappa) |
|--------|---------|--------------|
| BI-RADS分类 | 多任务学习 | 0.65-0.80 |
| 恶性风险评分 | 置信度校准 | AUC 0.85-0.92 |
| 短期随访建议 | 规则+机器学习 | 结构化输出 |
总结
●乳腺计算机辅助检测经历三代发展，深度学习显著提升性能
●断层合成的AI处理需特殊策略，切片聚合是实用折中方案
●乳腺密度AI评估一致性好，已有多款获FDA批准
●BI-RADS辅助从分类走向风险评估，需注意致密乳腺的漏诊问题
━━━━━━━━━━━━━━━━━━
— 医学影像学习系列 —