对于任何拟定的适应症,有必要预先确定一个工作流程来评估与传统乳房 X 线照相术或超声检查不相关的(RC)成像发现。尽管 CEM 引导的活检设备已获得 FDA 批准,但由于目前 CEM 引导的活检有限,因此通常使用 MRI 和 MRI 活检来追踪这些发现。如果无法进行 MRI 或 MRI 引导的活检或患者无法忍受,则需要采用其他方法来检测这些发现,并且应在进行 CEM 之前认识到这一点。如果无法进行 CEM 引导或 MRI 引导的活检,则可能的选择取决于对发现的怀疑程度,可能包括短期随访 CEM、使用标志的立体定向活检,或在极少数情况下使用标志的图像引导定位,然后进行手术切除。
乳房D类型是乳腺癌造成疾病的独立危险因素,研究人员进行了数量测试,这可能是在这组患者中进行筛查的补充工具。对比增强乳房X线摄影(CEM)是一种具有对比剂施用的诊断方法,可进行对比剂的应用,可进行低能图像采集(这是FFDM等效性)和带有脂肪组织衰减的减法图像和可见的后交换后病理学增强灶[7-9]。该检查使用新血管生成现象,发生在局灶性病变中[10-13]。contrast增强,并显示了恶性病变的真实程度,使病变成分的可视化和其他焦点可以被FFDM上的脂肪组织重叠[14,15]。根据进行的研究,CEM比FFDM显示出更高的灵敏度和准确性,并促进了对更多局灶性病变的检测[16-18]。到目前为止进行的研究表明,CEM具有可比且经常具有更高的诊断效率作为乳房杂志的共振成像(BMRI),这被认为是最准确的方法[19-22]。因此,CEM性能的指示与BMRI相似,即基本成像检查(FFDM或手持超声 - HHU)的不确定结果,在实施治疗前的分期,新辅助化学治疗过程中的治疗反应监测以及乳腺癌手术后的患者检查[23]。CEM为患有幽闭恐惧症或BMRI禁忌症患者构成了替代方案。EXA的开采比BMRI更快,通常由患者容忍。它的缺点是在小剂量中进行电离施用的必要性,静脉内碘对比剂的给药,这可能会导致潜在的染色体反应和肾脏损害和乳房压缩,这是患者不适的来源,以及运动型工件的产生者。在CEM指南下的活检尚不广泛。自动乳房超声(ABUS)是一种基于超声的新诊断方法。与HHUS相反,此EXA开采是由电 - 放射学家进行的。患者仰卧位置,超声头放置在4个沿着乳房移动的基本定位中。一个典型的EXA矿化由前后,侧面和内侧视图中每个乳房的3张自动扫描组成。获得的图像被发送到可以重复审查的工作站,或者可以创建多平台重建[24-27]。检查不需要任何特殊的准备,并且患者可以很好地耐受。到目前为止进行的研究证实,使用ABU作为FFDM的附加工具允许检测更多局灶性病变,主要是在腺体乳房的情况下[28-31]。进行ABU的主要指示是在无症状患者中,尤其是那些乳房密集的患者中进行互补筛查。ABU的优点包括脱落操作员的依赖,图像存储在专用
2018 年,Innovate UK 拨款在阿伯丁和格拉斯哥建立数字诊断人工智能研究工业中心 (iCAIRD)。在阿伯丁,第一个示范项目是使用 Kheiron Medical Technologies(伦敦)的 Mia 算法对苏格兰东北部乳腺筛查服务机构四年的匿名筛查乳房 X 光检查进行回顾性分析。这项工作由阿伯丁大学的 de Vries 博士及其同事使用阿伯丁数据安全港 (DaSH)(阿伯丁大学的一个值得信赖的研究环境)进行,取得了一些重要发现,包括:人工智能在英国人口中的适用性;关于人工智能校准的经验教训;确定的工作量优势;以及人工智能的额外间隔癌症检测。1
我们筛选了过去十年(2014 年 1 月 - 2024 年 4 月)的英文出版物。对基于乳房 X 线摄影的乳腺癌检测 AI 算法进行外部验证(单独验证或与放射科医生联合验证)的研究均被纳入。我们排除了提供算法训练细节、使用 AI 评估未来癌症风险、内部验证算法(代表算法开发中使用的相同样本的真实结果)或使用用于训练和开发各种深度学习模型的公共图像数据库进行外部评估算法的研究。同时提供内部和外部验证的研究仅被考虑在外部验证的结果中。系统评价还排除了未报告基于准确度、灵敏度、特异性和/或 ROC 曲线下面积 (AUC) 的发现的研究。我们的方法基于 PRISMA 策略,可以在图 1 中表示的方案中看到。
是作者/资助者,已授予 medRxiv 永久展示预印本的许可。(未经同行评审认证)预印本 此版本的版权持有者于 2024 年 12 月 29 日发布。;https://doi.org/10.1101/2024.12.27.24319688 doi:medRxiv 预印本
摘要。缺乏有关乳腺癌检测的计算机辅助诊断(CAD)的大量培训数据一直是阻碍系统采用的问题之一。最近,通过视觉模型(VLM)(例如,剪辑)对大规模图像文本数据集进行预训练,部分解决了计算机视觉(CV)中鲁棒性和数据效率的问题。本文提出了Mammo-CLIP,这是第一个通过大量筛选乳房X线图 - 报告对的VLM,以解决数据集多样性和大小的挑战。我们在两个公共数据集上进行的实验表明,在对乳腺癌检测至关重要的各种乳腺X线学属性时表现出强烈的表现,表明数据效率和鲁棒性与CV中的剪辑相似。我们还提出了一种新型特征归因方法Mammo-Factor,以在乳房X线摄影报告中使用句子级粒度来提供表示表示的空间解释。代码可公开使用:https://github.com/batmanlab/mammo-clip。
摘要:我们试图开发新的量化方法来表征乳房X线摄影密度的空间分布以及可疑对比增强乳房X线摄影(CEM)的对比度增强,以改善乳房病变的良性分类。我们回顾性地分析了从2014 - 2020年在IRB批准的研究中从我们机构进行CEM成像和组织采样的所有乳房病变。惩罚线性判别分析用于基于乳房X线摄影密度和对比度增强的径向分布的平均直方图对病变进行分类。t检验用于比较密度,对比度和串联密度和对比直方图的分类精度。逻辑回归和AUC-ROC分析用于评估添加人口统计学和临床数据是否提高了模型准确性。总共评估了159个可疑发现。密度直方图比随机分类(62.37%vs. 48%; p <0.001)更准确地将病变分类为恶性或良性,但是与单独的密度合影相比,串联的密度和对比度表现出更高的精度(71.25%; p <0.001)。包括我们模型中的人口统计学和临床数据,导致AUC-ROC高于串联密度和对比度图像(0.81 vs. 0.70; P <0.001)。在侵入性与非侵入性恶性肿瘤的分类中,串联密度和对比直方图在单独的密度直方图(77.63%vs. 78.59%vs. 78.59%; p = 0.504)中没有显着提高的准确性。添加患者人口和临床信息进一步提高了分类精度。我们的发现表明,乳房X线摄影密度的径向分布的定量差异可用于区分恶性肿瘤与良性的乳房发现。但是,通过从CEM中添加对比度增强成像数据,分类精度得到了显着提高。
本研究新增的知识 • 阈值分数为 30,市售的基于人工智能的计算机辅助诊断 (AI-CAD) 程序在有症状的情况下通过数字乳房 X 线摄影检测乳腺癌具有高灵敏度和特异性,可提供有价值的诊断辅助。 • AI-CAD 的性能因乳腺癌的放射病理学特征而异。值得注意的是,该程序在检测表现出结构扭曲的乳腺癌方面表现出了良好的准确性,这仍然是一个诊断挑战。 • 观察到的 AI-CAD 的局限性,例如强调表现为大肿块或表现出乳头回缩的癌症以及无法与先前的研究进行比较,凸显了对在有症状的诊所中单独使用 AI 进行分类的担忧。
截至今天,乳房X线摄影被用作筛查,诊断和监测乳腺癌(BC)的金标准。 虽然总体上有益,但它带来了几种缺点,例如准确性的限制,相对较高的成本和对重型基础设施的依赖,极大地限制了整个全球目标人群的可及性。 目前尚无乳房X线摄影的替代方法,克服这一主要挑战是研究和技术的热门话题。 解决此问题的途径是开发高度敏感和特定的非侵入性血液检查,以早期诊断和随访乳腺癌。 本文讨论了乳房X线摄影的局限性,并概括了已经可用的血液检查,正在开发的人以及该领域的未来发展。乳房X线摄影被用作筛查,诊断和监测乳腺癌(BC)的金标准。虽然总体上有益,但它带来了几种缺点,例如准确性的限制,相对较高的成本和对重型基础设施的依赖,极大地限制了整个全球目标人群的可及性。目前尚无乳房X线摄影的替代方法,克服这一主要挑战是研究和技术的热门话题。解决此问题的途径是开发高度敏感和特定的非侵入性血液检查,以早期诊断和随访乳腺癌。本文讨论了乳房X线摄影的局限性,并概括了已经可用的血液检查,正在开发的人以及该领域的未来发展。
抽象背景理解妇女的观点可以帮助创建有效且可接受的人工智能(AI)来进行分类乳房X线照片,从而确保很大比例的筛查癌症。这项研究旨在探索瑞典妇女对在乳房X线摄影中使用AI的看法和态度。在2023年春季,在AI筛查中正在进行的AI临床试验中,对2023年春季的16名妇女进行了半结构化访谈(Sublentrustcad,NCT 04778670)。使用归纳主题内容分析对访谈成绩单进行了分析。总的来说,妇女认为AI是帮助放射科医生做出决策的出色补充工具,而不是完全替代其专业知识。为了信任AI,妇女要求对医疗保健中AI使用的透明度进行彻底的评估以及放射科医生在评估中的参与。他们宁愿更担心,因为被要求更多的扫描呼唤,而不是忽视癌症的迹象的风险。如果AI的实施成为标准实践,他们对医疗保健系统表示了重大信任。结论结果表明,接受采访的妇女通常对乳房X线摄影的实施持积极态度。尽管如此,他们期望和对AI的要求而不是放射科医生。有关AI的作用和局限性的有效沟通对于确保患者了解AI辅助医疗保健的目的和潜在结果至关重要。