人工智能(AI)乳腺超声将AI技术应用于乳腺癌的诊断及预后预测，不仅可以为超声科医师节省时间，还可以弥补由于初学者经验和技能不足导致的误诊及漏诊。现代医学影像学是AI在临床中发挥重要作用的最早领域之一。AI乳腺超声采集乳腺超声图像(BUI)，作为一种横断面成像技术，应用计算机辅助设计(CAD)系统，对乳腺癌进行计算机辅助诊断，可提高临床对乳腺癌诊断的准确性。目前，CAD系统可帮助超声科医师更有效地实现对乳腺癌的早期筛查。AI乳腺超声可对乳腺癌病灶进行自动识别及分类，甚至模拟临床医师对乳腺癌进行诊断和预后评估。笔者拟就AI乳腺超声对乳腺癌的诊断及预后预测价值的最新研究进展，进行阐述。
版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
除非特别申明，本刊刊出的所有文章不代表中华医学会和本刊编辑委员会的观点。
本刊为电子杂志，以光盘形式出版。本册应读者需求按需印刷，随光盘免费赠阅。光盘如有质量问题，请向编辑部调换。
乳腺癌是危害全球女性健康最常见恶性疾病之一[1]。尽管目前全球对乳腺癌的诊治取得很大进展，但是乳腺癌发病率及其导致的患者死亡率，仍然呈逐年递增趋势[2]。超声诊断凭借辐射低、无创、重复性强等优势，在乳腺癌的诊断及预后预测中发挥着举足轻重的作用[3]。随着科技的发展，应用计算机辅助设计(computer aided design，CAD)系统与计算机辅助图像处理系统，对乳腺超声图像(breast ultrasound imaging，BUI)进行处理，结合人工智能(artificial intelligence，AI)超声，可达到对乳腺癌进行计算机辅助诊断，实现对乳腺癌的早期筛查、病灶自动识别及自动分类，对乳腺癌患者的化疗疗效与预后进行预测的目的[4]。笔者拟就AI乳腺超声在乳腺癌诊断及预后预测价值方面的研究现状进行阐述如下。
1956年，AI概念被正式提出，AI是计算机科学的一个分支。目前，AI乳腺超声诊断技术的发展，主要得益于AI对BUI识别技术和视觉搜索(visual search)技术的发展[5]。机器学习(machine learning，ML)在早期AI乳腺超声诊断的应用，主要是指早期AI-BUI技术，可通过目标检测，识别乳腺癌病灶[5]。首先，通过对乳腺病灶形状、质地、位置、方位等特征进行编码，积累足够多BUI信息后，机器即可通过提取乳腺癌的BUI特征，与正常BUI进行对比、分析，最终对乳腺癌病灶做出正确识别，从而达到提高超声科医师检测和识别乳腺癌病灶的准确性，并缩短乳腺超声检查时间的目的[6]。
随着AI乳腺超声BUI技术的发展，越来越多与BUI相关的乳腺癌分类及识别模型被研发[8]。现有诊断乳腺癌的超声诊断系统中，可以通过自动识别成像信息，进行乳腺癌病灶相关参数定量评估，从而增加乳腺癌病灶在BUI中的检出率[8]，有助于提高AI乳腺超声辅助诊断乳腺癌的敏感度和特异度。
根据乳腺成像报告和数据系统(breast imaging reporting and data system)相关AI超声技术，AI乳腺超声可模仿超声科医师，对乳腺癌进行诊断、鉴别诊断及预后评估[9,10,11]。Cirtsis等[9]研究结果显示，AI乳腺超声可实现模拟超声科医师，对灰阶BUI进行病灶识别，并标记可疑乳腺癌病灶。Fujioka等[10]采用可自动从基于二维超声成像技术的AI乳腺超声中，提取乳腺癌病灶BUI特征，对乳腺良、恶性肿瘤鉴别诊断价值进行评估的研究结果表明，该类AI乳腺超声对乳腺良、恶性肿瘤辅助诊断的准确率为93.4%，敏感度为88.6%，特异度为97.1%，而且可在较短时间内完成。吴英等[11]采取回顾性分析方法，对经组织病理学检查确诊的447例乳腺癌患者的基于二维超声成像技术的AI乳腺超声获取的BUI，采用主成分分析法，提取患者的原始BUI特征，并将量化BUI特征作为输入数据，从而对乳腺良、恶性肿瘤声像图进行分类的研究结果显示，采用该类AI乳腺超声诊断乳腺癌的敏感度为96.04%(97/101)，特异度为98.49%(196/199)，准确率为97.67%(293/300)。这提示，基于二维超声成像技术的AI乳腺超声，可为乳腺肿瘤良、恶性鉴别诊断，提供客观量化参数。Han等[12]将1 551例乳腺癌患者采取传统二维超声乳腺检查获取的7 408张BUI，与患者术后组织病理学检查结果进行比较，乳腺二维超声检查辅助诊断乳腺癌的敏感度为0.86，特异度为0.96，准确性为0.90。
上述基于二维超声成像技术的AI-BUI技术，通过AI大量学习乳腺良、恶性病灶BUI特点的编码数据类型，进而提高对乳腺病灶检出率。但是，由于不同医师对患者进行超声诊断时，留取图像方式、扫查顺序及使用超声设备不同，目前尚未建立统一的BUI标准。因此，AI乳腺超声技术在乳腺癌诊断中的应用，迄今尚存在一定局限性。
AI乳腺超声弹性成像是一种动态成像技术，通过测量乳腺组织因受压迫而产生的形变，结合传统二维超声成像，定量、实时评估乳腺组织的弹性非均匀性(elastic heterogeneity)和弹性响应(elastic response)，这种方式已被证实有助于辅助超声科医师对乳腺癌进行诊断[13]。基于弹性成像技术的AI乳腺超声，对乳腺癌病灶的诊断，是在传统CAD系统中，首先对乳腺超声弹性成像图的乳腺癌病灶轮廓人为制定感兴趣区域，再利用简单阈值技术，将超声弹性成像图中每个象素分为硬组织和软组织。为了降低CAD系统超声诊断对医师的依赖性，提高对乳腺癌病灶弹性值的准确性，可利用AI乳腺超声弹性自动识别技术，从包含多个BUI信息的弹性成像扫描序列中，自动选取一张最具代表性的BUI进行乳腺癌病灶分析。Moon等[14]通过AI水平集方法，自动分割乳腺癌病灶轮廓，从而为CAD系统提供更客观、可靠的乳腺癌病灶轮廓弹性值分布情况。该研究利用此自动分割算法，对乳腺良、恶性肿瘤病灶分类诊断的准确率、特异度及其受试者工作特征曲线(receiver operating characteristic curve，ROC)的曲线下面积(area under curve，AUC)分别为83.5%(81/97)、83.3%(55/66)、0.902，均分别高于传统CAD系统分类的59.8%(58/97)、42.4%(28/66)及0.818，二者上述指标分别比较，差异均有统计学意义(P<0.05)。Chang等[15]为了从乳腺超声弹性成像的动态弹性成像图中，提取更完整的乳腺组织弹性值信息，在CAD系统中使用肿瘤边界AI自动跟踪技术分析，并且记录整个轮廓序列弹性值变化规律，可自动选择质量最好的BUI进行分析，对乳腺良、恶性肿瘤诊断的ROC-AUC为0.90，由此缩短医师选择BUI所花费时间，并且可为临床提供更为准确、丰富的乳腺组织信息。Marcomini等[16]开发的基于乳腺应变式弹性成像的CAD系统，可模仿超声科医师对病变进行"视觉分析"，正确识别乳腺病灶硬组织数量，并以红色标记，参照弹性成像评分法进行定量分析，若弹性成像图总评分≥4分，则诊断为乳腺癌，若≤3分，则诊断为乳腺良性病变。采用该CAD系统进行乳腺癌诊断的结果显示，该CAD系统与经验丰富的超声科医师相比，具有更高"诊断能力"，对乳腺癌诊断的敏感度为71.0%，特异度为88.5%，ROC-AUC为0.85。Zhang等[17]通过建立基于乳腺超声弹性成像的BUI预处理与反应扩散结合伽柏各向异性扩散(reaction diffusion and gabor-based anisotropic diffusion)的肿瘤分割算法的CAD提取技术，可自动提取乳腺超声弹性成像和二维超声成像获取的乳腺癌形态特征和纹理特征，并利用AI深度多项式神经网络功能，对BUI进行特征学习和分类的结果表明，该系统具有对乳腺良、恶性肿瘤分类的潜力，其对乳腺良、恶性肿瘤分类诊断的敏感度为97.8%，特异度为94.1%，准确性为95.6%，ROC-AUC为0.961。
弹性BUI技术丰富了AI学习的编码数据类型，弥补了二维BUI数据信息的不足，提高了AI乳腺超声辅助诊断乳腺癌的准确性、特异度和敏感度。但是，乳腺超声弹性成像目前尚存在可重复性差，对乳腺癌微小病灶识别敏感度较低等缺点，未来可纳入剪切波弹性成像等可重复性较高的BUI技术，将其应用于弹性成像技术的AI乳腺超声，从而达到对乳腺癌的早期诊断的目的。
基于自动三维超声成像技术的AI乳腺超声，与传统超声仪器手持探头，以及高度依赖超声科医师操作技巧不同，AI技术的全自动乳腺超声扫查系统(automatic breast ultrasound scanner，ABUS)，可以自动完成对受试者整个乳房的扫查，并建立三维立体乳房结构BUI，从而对乳腺癌病灶进行自动识别与分类，极大提高乳腺癌检出率，缩短患者受检时间[18]。Moon等[19]对使用ABUS采集的BUI，运用AI水平集方法，对乳腺癌三维轮廓进行自动分割。然后，根据分割后的三维轮廓，提取乳腺癌病灶的纹理、形状、椭球体拟合等三维特征，对乳腺肿瘤进行良、恶性分类的logistic回归模型研究结果表明，ABUS采集BUI，可用于乳腺肿瘤的计算机辅助特征提取和分类，其最佳三维特征组合，对于乳腺良、恶性肿瘤分类的ROC-AUC可高达0.95。为了缩短ABUS采集BUI的检查时间和降低误诊率，Lo等[20]开发一种基于多视图方法的ABUS图像CAD系统，可根据乳腺癌病灶回声强弱、形态、位置和直径大小特征，在横切面、纵切面和冠状切面建立logistic线性回归模型，选择5、10、20和30个多视图ABUS图像，进行乳腺癌诊断的敏感度分别为79.31%、86.21%、96.55%及98.28%。Chiang等[21]提出一种快速有效的基于时间CAD系统，对171个乳腺超声恶性病灶和37个良性病灶进行诊断，该模型将识别时间设为14.30、6.92、4.91和3.62 s时，对乳腺癌病灶识别的敏感度分别为95%(162/171)、90%(154/171)、85%(145/171)和80%(137/171)，由此大大提高了AUBS筛查乳腺癌的效率。
ABUS的临床应用，弥补了过去AI超声技术学习BUI标准不统一的缺点，而且丰富的三维超声成像信息为AI学习乳腺癌病灶提供更多数据类型，同时有别于依赖超声科医师经验、操作技巧、设备等带来的BUI质量参差不齐。统一的BUI、可适用范围更广的AI超声技术规范成像协议，可为大数据、迁移学习(transfer learning)模型的建立等创造条件。
随着AI技术在医学影像学和组织病理学的应用，利用数字图像数据获得反映乳腺癌潜在生物学和生理学参数已成为现实，使得AI辅助临床医师进行乳腺癌患者预后预测成为可能[22]。深度学习(deep learning)已被证实是医学影像图像有效检测和分割恶性肿瘤方法，基于该方法的定量超声(quantitative ultrasound, QUS)技术，可对乳腺癌生物标志物进行定量和功能成像分析[23]。随着识别肿瘤数字图像模型和肿瘤影像诊断图像数据集BUI的增加和完善，乳腺癌BUI分析领域数据，也呈指数级增长，这些进展成功实现将BUI转换为可开采数据，并对这些可开采数据进行后续分析及分类，除可自动识别、分割和提取乳腺癌病灶感兴趣区域的BUI特征外，还可对此区域病灶化疗前、后BUI特点进行对比，从而辅助评估患者的化疗疗效及预后[24,25]。采用多参数集QUS技术，开发用于乳腺癌分类研究的哺乳动物模型；在此基础上与临床结合，该技术可更进一步优化对乳腺癌的早期筛查和诊断效果，将QUS多参数集BUI数据与患者生物数据相结合，并利用生物信息学AI技术，开发提高乳腺癌诊断及患者化疗预后预测准确性的疾病模型，有利于辅助临床对乳腺癌患者进行早期治疗[22,26,27]。Sadeghi-Naini等[28]采用QUS技术结合后向散射系统(back scattering coefficient)构建的AI模型研究表明，该模型可以反映QUS光谱参数图纹理特征的早期变化及平均值变化水平，利用该变化规律，结合光谱生物标志物，可对乳腺癌患者化疗效果及乳腺癌术中切除组织的病理结果进行预测，其敏感度和特异度均为80%；而且还可对抗肿瘤药物的有效性进行判断，其敏感度为100%，特异度为93%。该模型有助于对药物治疗效果差的乳腺癌患者进行早期预测，并为选择其他有效治疗方案提供参考，避免延误患者病情。Tadayyon等[29]通过基于AI超声射频及多参数集QUS技术的CAD系统，使用6 MHz换能器阵进行扫描，并收集58例局部晚期乳腺癌患者接受化疗前与化疗第1、4、8周，以及手术前的7项QUS参数进行分析的结果显示，7项QUS参数可对难治性乳腺癌患者预后进行预测，其单一参数预测难治性乳腺癌患者预后的准确性为82%，而多项参数联合预测的准确性则为91%。该项预测功能可帮助临床医师对早期难治性乳腺癌患者的化疗方案作出合理选择，更有效提供有针对性的药物治疗方案。
目前QUS在AI方面的应用，尚依赖于超声医师手动制定感兴趣区域，存在主观因素带来的误诊。建立一套包含自动测量的CAD系统模型是未来该领域研究热点。
AI超声在乳腺疾病中的应用日益广泛，将功能更强大、更完善的CAD系统，用于乳腺癌早期筛查和诊断，它在减少超声科医师工作量，缩短患者受检时间的同时，还可辅助医师提高诊断效率。与其他医学影像技术一样，AI乳腺超声目前已经初步建立，并实现自动识别、提取及分析的CAD系统模型，正在向建立自动测量、自动诊断，甚至自动治疗模型等的方向发展[30]。随着大数据时代的来临，未来AI乳腺超声不仅可以对乳腺癌分类进行细化，还可以与乳腺炎性肿块、纤维瘤、腺体增生、乳腺囊肿等特定乳腺良性肿瘤进行鉴别诊断，以及对乳腺癌患者肿瘤淋巴结转移的分级、转归及化疗预后进行评估。随着复合组织谐波成像、萤火虫成像、原始射频时间序列信号成像、剪切波弹性成像和造影成像等BUI新技术的发展，CAD系统通过对基于这些技术采集的BUI的特征进行深度学习、训练，其对乳腺癌病灶BUI的自动识别、自动分割和自动分类能力将得到进一步提高。全面的QUS参数，也可为乳腺癌患者提供更丰富的个性化化疗方案。伴随AI技术在多领域发展，AI乳腺超声技术将在乳腺癌的早期筛查、乳腺恶性肿瘤的分级和预测乳腺癌患者化疗疗效中发挥更重要作用，甚至在某些方面可能超越超声科医师。
所有作者均声明不存在利益冲突
