據世界衛生組織統計，2020 年全球新發乳腺癌病例 230 萬例，在所有癌癥中居首位，超越肺癌成為第一大癌。

然而，如果能夠早期發現并加以及時治療，在腫瘤轉移之前殺死癌細胞，乳腺癌的致死率就可以大大降低。目前乳腺癌初篩的常用手段是乳腺 X 光，隨后醫生通過分析復核 X 光片對乳腺健康情況進行判斷。但復核過程會消耗大量時間，影響其他患者的就診。
為此，英國諾丁漢大學的研究者對比了商用 AI 與醫生閱讀乳腺 X 光片的能力，為 AI 在臨床醫療的應用提供了新思路。

作者 | 雪菜

編輯 | 三羊、鐵塔

本文首發于 HyperAI 超神經微信公眾平臺~

據美國癌癥協會統計，2022 年美國女性新發癌癥病例數約 93 萬例，其中新增乳腺癌患者約 29 萬人，占比 31%。同時，癌癥死亡病例中乳腺癌患者占比 15%，僅次于肺癌。

圖 1：美國 2022 年新發癌癥病例數（上）及癌癥死亡數（下）

在中國，乳腺癌是 21 世紀女性患者中占比最高的癌癥，且每年新增患者數量在不斷增加。

圖 2：2000-2016 年我國女性新增癌癥病例數，灰色為乳腺癌病例數

乳腺癌是異常乳腺細胞生長失控并形成腫瘤引起的疾病。如果不及時干涉，腫瘤會轉移擴散，最終危及性命。但如果能在癌癥初期發現局部腫瘤，并開始治療，癌癥的五年存活率可達 99%。

目前，醫院一般通過乳腺 X 光進行乳腺癌初篩。然而，在初篩過程中可能會出現假陽性，使得沒有癌癥的患者進行不必要的檢測。還會出現遺漏，延誤患者最佳治療時間。

因此，許多歐洲國家會對乳腺 X 光片進行復查，盡可能排除掉假陽性的病例。這一方法行之有效，在降低假陽性的同時，還將癌癥的檢測率提高了 6%-15%。

但是，對 X 光片進行閱讀評估需要耗費相當的時間。在醫患比偏低的地區，X 光片的復查不僅占用了醫生的時間，而且會影響到其他患者的早期篩查。

AI 的應用部分緩解了醫生的工作壓力，然而將生命健康交給 AI 去評價似乎有些不太穩妥。對此，英國諾丁漢大學的 Yan Chen 教授表示，「將 AI 應用于臨床醫療面臨著很大的壓力，但我們需要將這件事做好，以保護女性的健康」。

為此，Yan Chen 團隊對比了商用 AI Lunit 與醫生閱讀乳腺 X 光片的準確率。**結果顯示，Lunit 分析乳腺 X 光片的能力與人類醫師相當。**這一成果已發表于「Radiology」。

論文鏈接：

https://pubs.rsna.org/doi/10.1148/radiol.223299#_i13

實驗過程

數據集：PERFORMS 數據集

本研究選用兩組 PERFORMS 數據集作為模型的測試集。每組 PERFORMS 數據集由 60 張具有挑戰性的 X 光片組成，包括惡性腫瘤 (約占 35%)、良性腫瘤和正常結果。過去 30 年間，PERFORMS 數據集用于英國國家衛生服務乳腺篩查計劃 (NHSBSP) 醫生的入門測試和常規考核。

評價標準：標注 + 評分

在對 X 光片進行分析時，醫生會在可疑的位置做出標注，最后做出 1-5 的評級，對應正常、良性、不確定、可疑及惡性。

AI 會對 X 光片的各個特征的可疑程度進行 1-100 的評分，最高分視為對整個 X 光片的評分。如果沒有可疑特征，則視為 0 分。

圖 3：醫生與 AI 對乳腺 X 光片的分析結果

A：藍色箭頭為直徑 8 mm 的不明腫塊，后鑒定為組織學 2 級導管癌；

B：紅色十字是 AI 發現的異常特征，藍點是醫生在分析時標注出的可疑區域。

對比結果：特異性 + 靈敏度

共有 552 名醫生參與了這場比賽，占 NHSBSP 總人數的 68%，其中有 315 名放射科醫生、206 名放射技師和 31 名臨床醫生。

在對兩組 PERFORMS 數據集進行分析后，他們認為 161 個乳腺 X 光片結果是正常的，70 個乳腺中有惡性腫瘤，還有 9 個為良性腫瘤。惡性腫瘤的常見特征包括腫塊 (64.3%)、鈣化 (12.9%)、不對稱 (11.4%) 和結構扭曲 (11.4%)，平均病變大小為 15.5 ± 9.2 mm。

表 1：PERFORMS 數據集結果

人類組的平均 AUC 為 0.88。AI 組的 AUC 為 0.93，對應人類組 96.8 百分位數，但兩組的 AUC 沒有明顯差異。

圖 4：醫生組 AUC 直方圖與 AI 的 AUC（黃線）

人類組的平均靈敏度和特異性分別為 90% 和 76%。在開發者推薦的閾值下，AI 的敏感性和特異性分別為 84% 和 89%。

表 2：醫生組與不同閾值 AI 的判斷結果

TP：真陽性；

FP：假陽性；

TN：真陰性；

FN：假陰性；

靈敏度 = TP / 總陽性數；

特異性 = TN / 總陰性數。

在 AI 的 ROC 曲線中，52% 的醫生表現在曲線之上，36% 在曲線下方，12% 的表現與 ROC 曲線一致。

圖 5：AI 的 ROC 曲線，其中藍點是不同醫生的表現

當 AI 的閾值為 3.06 時，AI 的靈敏度與醫生一致，檢測出了 63 例惡性腫瘤，僅遺漏了 7 例。此時 AI 的特異性與醫生沒有顯著差異。

當閾值設置為 2.91 時，AI 與醫生組的特異性一致，靈敏度為 91%。上述結果顯示，Lunit 的 AI 分析乳腺 X 光片的靈敏度和特異性與人類醫生相當。

圖 6：不同閾值對 AI 判斷結果的影響

A：藍色箭頭為不對稱區域，后鑒定為組織學 2 級導管癌；

B：AI 閾值為 2.91 時的檢測結果，紅色十字最終鑒定為真陽性；

C：AI 閾值為 3.06 時的檢測結果，沒有發現明顯異常特征。

Yan Chen 教授表示，「這一研究的結果為 AI 篩查提供了有力證據，說明 AI 對乳腺 X 光片的分析水平與人類醫生相當」。

乳腺癌：隱匿的粉紅殺手

2021 年 2 月 4 日世界癌癥日上，世界衛生組織 (WHO) 屬下的國際癌癥研究所稱，上一年新增 230 萬例乳腺癌病例，占比 11.7%，首次超過了肺癌新增病例數，儼然成為「隱匿的粉紅殺手」。

同時，乳腺癌發病率最高的群體是高收入國家的婦女，中低收入國家的女性發病率明顯更低。而且，還有約 0.5-1% 的乳腺癌來自于男性。

不過，乳腺癌本身的致死率并不高。2016-2020 年診斷出乳腺癌并存活的女性達 800 萬人，高于其他癌癥。

目前 WHO 正在全世界推廣全球乳腺癌行動，希望通過早發現、及時診斷和全面的乳腺癌管理來降低全球因乳腺癌死亡的人數。

圖 7：AI 輔助的乳腺癌篩查

作為乳腺癌初篩的有力工具，AI 能夠及時發現乳腺癌早期的特征，有望將「粉紅殺手」扼殺于預備階段。但現在大規模在臨床中推廣 AI 可能為時過早，因為環境和算法本身的變化會不斷影響，導致 AI 的靈敏度和特異性隨時間而下降。

Yan Chen 教授也認為，「一旦 AI 進入臨床應用，我們就必須有一個機制對其進行持續的評價和監測」。現在，世界各國的研究團隊正在對 AI 的檢測結果進行評價，已經取得了令人滿意的結果。未來在高效的 AI 和完善的監管機制的幫助下，各類疾病將「無處可藏」，我們的健康將得到更穩定的保障。

參考鏈接：

[1]https://acsjournals.onlinelibrary.wiley.com/doi/10.3322/caac.21708

[2]https://www.sciencedirect.com/science/article/pii/S2667005422000047

本文首發于 HyperAI 超神經微信公眾平臺~

來源: HyperAI超神經