不同人工智能技术对乳腺BI-RADS 4类结节的诊断价值比较

目的 探讨医准智能软件与超声S-Detect技术对乳腺影像报告和数据系统(BI-RADS)4类结节良恶性的诊断价值。方法 回顾性分析就诊的462例经常规超声诊断为BI-RADS 4类乳腺结节的患者(495个结节)。患者治疗前均行超声S-Detect技术、医准智能软件检查,以病理结果为金标准,比较超声S-Detect技术、医准智能软件对BI-RADS 4类乳腺结节的诊断效能。结果 495个结节经病理证实恶性结节227个、良性结节268个。S-Detect技术诊断乳腺良恶性结节的灵敏度(SE)、特异度(SP)、准确度(ACC)、阳性预测值(PPV)、阴性预测值(NPV)和AUC分别为87.66%、83.21%、85.25%、81.56%、88.84%和0.854,医准智能软件诊断乳腺良恶性结节的SE、SP、ACC、PPV、NPV和AUC分别为95.59%、91.79%、93.54%、90.79%、96.09%和0.937,且SE、SP、ACC、PPV、NPV、AUC与S-Detect技术比较差异均有统计学意义(P<0.05)。结论 医准智能软件对乳腺BI-RADS 4类结节良恶性具有...     

超声剪切波弹性定量参数在优化乳腺结节BI-RADS分类中的价值

目的探讨超声剪切波定量参数在优化乳腺结节BI-RADS分类中的价值。方法穿刺或手术前对126例(132个)乳腺病灶行BI-RADS分类,再行剪切波弹性成像检测,获得乳腺良恶性病灶的剪切波定量参数,以病理结果为金标准,比较BI-RADS分类及其结合弹性最大值Emax评价乳腺良恶性病变的诊断效能,分析Emax对BI-RADS 4a类乳腺病变的诊断价值。结果 132个病灶中,良性病变82个(62.1%),恶性病变50个(37.9%)。恶性病灶组的剪切波定量参数均明显高于良性病灶组,差异具有统计学意义(P0.001)。BI-RADS分类结合Emax评价乳腺良恶性病灶时ROC曲线面积最高;以Emax60.97kPa评价BI-RADS 4a类病变,可使92.3%4a类调整为3类,但通过降类后,可使BI-RADS 3类的假阴性率由0上升为4.23%。结论超声BI-RADS分类结合剪切波Emax有助于提高乳腺良恶性病变诊断的特异度、准确度,对于大多数4a类病变,可以减少不必要的穿刺活检或手术,但对于部分BI-RADS 4a类依据弹性成像降类的可疑小病灶,应综合判断,最大化降低假阴性病例。     

常规超声与S-Detect技术在乳腺病灶良恶性鉴别诊断中的效能比较

目的探讨常规超声与S-Detect技术在乳腺病灶良恶性鉴别诊断中的效能比较。 方法选取2018年6月至7月在中国医科大学附属第一医院经手术病理证实的367例乳腺病灶患者，共468个病灶。所有病灶分别由3名不同年资（1、4、7年）乳腺超声医师进行二维超声成像（静态图像及动态图像）的两次乳腺超声影像报告与数据系统（BI-RADS）分类以及计算机S-Detect分类，通过绘制不同BI-RADS分类诊断组的ROC曲线，确定最佳诊断界值，以进行各组BI-RADS分类的良恶性统计，以病理结果为"金标准"，应用诊断试验四格表分别计算不同BI-RADS分类诊断组及S-Detect分类组对乳腺病灶良恶性诊断的敏感度、特异度、准确性、阳性预测值及阴性预测值，采用χ²检验分别将各BI-RADS分类组诊断效能与S-Detect分类组进行比较。绘制各组的ROC曲线，应用Z检验分别将各BI-RADS分类组ROC曲线下面积与S-Detect分类组进行比较。 结果468个乳腺病灶术后病理诊断良性313个，恶性155个。通过绘制不同BI-RADS分类诊断组的ROC曲线，确定最佳诊断界值为BI-RADS 4a类。S-Detect分类诊断敏感度93.5%明显高于低年资医师静态图像BI-RADS分类诊断69.0%及低年资医师动态录像BI-RADS分类诊断72.3%，差异有统计学意义（χ²=30.627、24.785，P均<0.001），S-Detect分类诊断特异度83.7%，明显低于中年资医师动态图像BI-RADS分类诊断92.0%，差异有统计学意义（χ²=10.124，P=0.001），其余各诊断效能差异均无统计学意义（P均>0.05）。S-Detect分类诊断曲线下面积0.917高于低年资医师两次（静态图像及动态图像）BI-RADS分类0.790、0.803，差异均有统计学意义（Z=5.271、4.693，P均<0.0001）；S-Detect分类诊断曲线下面积与中年资医师静态BI-RADS分类0.917比较，差异无统计学意义（P>0.05），低于中年资医师动态BI-RADS分类0.941，差异有统计学意义（Z=4.327，P<0.0001）；S-Detect分类诊断曲线下面积均低于高年资医师两次BI-RADS分类0.946、0.959，差异均有统计学意义（Z=4.225、5.477，P均<0.0001）。 结论S-Detect分类技术可以达到中年资医师静态图像BI-RADS分类的诊断水平，但低于其动态图像的诊断水平。     

声触诊组织成像和定量技术鉴别并优化BI-RADS 4类乳腺肿块的价值

目的:探讨声触诊组织成像和定量(virtual touch tissue imaging quantification,VTIQ)剪切波弹性成像技术鉴别诊断BI-RADS 4类乳腺肿块良、恶性,并优化BI-RADS 4A类肿块分类的价值。方法:回顾性分析经手术或穿刺病理证实的86例BI-RADS 4类乳腺肿块患者的常规超声及VTIQ图像资料,以病理结果为金标准,比较VTIQ鉴别诊断BI-RADS 4类乳腺肿块的价值。从VTIQ图像资料获得病灶内部剪切波速度(shear wave velocity,SWV)值,分析病理结果良、恶性病灶剪切波速度值之间的差异;绘制受试者操作特征(receiver operating characteristic,ROC)曲线,评价VTIQ对BI-RADS 4类乳腺结节良、恶性诊断的效能,并对51例BI-RADS 4A类肿块的分类进行优化完善。结果:86例乳腺BI-RADS 4类肿块经病理结果证实良性肿块56例,占65.12%(56/86);恶性肿块30例,占34.88%(30/86)。用VTIQ鉴别诊断良、恶性,测得恶性组的剪切波速度(SWV最大值、最小值、平均值)明显高于良性组,有显著性差异(P0.001)。获得效能最高的一组值为SWV平均值,得出截断值3.58 m/s,以此来诊断乳腺肿块良、恶性的敏感性、特异性、准确性、阳性预测值和阴性预测值分别为83.33%(25/30)、87.50%(49/56)、86.05%(74/86)、78.13%(25/32)和90.74%(49/54)。51例BI-RADS 4A类肿块中有46例小于截断值,这样可使90.20%(46/51)4A类肿块调整为3类,但有1例恶性肿块被归为BI-RADS 3类,导致假阴性率上升。结论:VTIQ技术结合超声BI-RADS分类有助于提高乳腺良、恶性肿块的鉴别,可完善BI-RADS 4A类肿块分类,减少大多数4A类肿块不必要的穿刺活检或手术。     

声触诊组织成像和定量技术鉴别并优化BI-RIDS４类乳腺肿块的价值

目的：探讨声触诊组织成像和定量(VTIQ)剪切波弹性成像技术鉴别诊断BI-RADS4类乳腺肿块良恶性并优化完善BI-RADS 4A肿块分类的价值。方法：回顾分析2015年12月至2016年12月我科检查的86例BI-RADS4类乳腺肿块的常规超声及VTIQ图像资料,86例均经手术或穿刺病理证实,以病理结果为金标准比较VTIQ鉴别诊断 BI-RADS4类乳腺肿块的价值。从VTIQ图像资料获得病灶内部剪切波速度（SWV）值,分析病理结果良恶性两组病灶剪切波速度值之间的差异。绘制受试者操作特征（ROC）曲线,分析评价VTIQ对BI-RADS4类乳腺结节良恶性诊断的效能,并对51例BI-RADS4A类肿块的分类进行优化完善。 结果：86例乳腺BI-RADS4类肿块经病理结果证实良性肿块56例,占65.12%（56/86),恶性肿块30例,占34.88%（30/86)。用VTIQ鉴别诊断良恶性,测得恶性组的剪切波速度（SWV最大值、最小值、平均值）均明显高于良性组,差异具有统计学意义（P<0.001）。 绘制受试者操作特征（ROC）曲线,获得效能最高的一组值为SWV平均值,获得截断值为3.58m/s,以此来诊断乳腺肿块良恶性的敏感性、特异性、准确性、阳性预测值、阴性预测值为83.33%（25/30）、87.50%（49/56）、86.05%（74/86）、78.13%（25/32）、90.74%（49/54）。以SWV3.58m/s评价 51例BI-RADS4A类肿块,46例小于截断值,可使90.20%（46/51）4A类调整为3类,但有1例恶性肿块被归为BI-RADS3类,导致假阴性率上升。 结论： VTIQ技术结合超声BI-RADS分类有助于提高乳腺良恶性肿块鉴别诊断,尤其可完善BI-RADS4A类肿块分类,减少大多数4A类肿块不必要的穿刺活检或手术,但部分BI-RADS4A类依据弹性成像降类的可疑小病灶,应综合判断,最大化降低假阴性病例。     

超声弹性成像与钼靶对乳腺肿块BI-RADS分类诊断价值

目的探讨超声弹性成像与钼靶对乳腺肿块BI-RADS分类诊断价值的准确性。方法 112例乳腺肿块(116个病灶),均行超声弹性成像与X线钼靶BI-RADS分类诊断,将2类、3类和4a类归为良性,4b、4c类和5类归为恶性;比较二者对乳腺肿块BI-RADS分类诊断的灵敏度、特异度、准确率、阳性预测值、阴性预测值、阳性似然比、阴性似然比,以及对不同直径乳腺肿块的诊断价值。结果组织病理检查结果显示,恶性病灶45个,良性病灶71个;超声弹性成像BI-RADS分类诊断乳腺肿块的灵敏度(84.44%)、特异度(90.14%)、准确性(75.00%)、阳性预测值(84.44%)、阴性预测值(90.14%)、阳性似然比(8.57)、阴性似然比(0.17)与钼靶BI-RADS分类诊断(82.22%、87.32%、70.00%、80.43%、88.57%、6.49、0.20)比较差异无统计学意义(P0.05);X线钼靶BI-RADS分类诊断直径10 mm肿块的准确性(68.00%)高于超声弹性成像BI-RADS分类诊断(48.00%),诊断直径10~20mm肿块的准确性(67.00%)与超声弹性成像BI-RADS分类诊断(77.00%)比较差异无统计学意义(P0.05),诊断直径20mm肿块的准确性(73.00%)低于超声弹性成像BI-RADS分类诊断(87.00%)(P0.05)。结论超声弹性成像与X线钼靶对乳腺肿块BI-RADS分类均有较高诊断价值,二者对不同直径乳腺肿块的诊断各具优势。     

超声引导下穿刺活检在乳腺非肿块样病变诊断中的应用价值

目的探讨超声引导下穿刺活检在乳腺非肿块样病变中的诊断价值。 方法选取2017年1月至2018年12月杭州市第一人民医院超声科经超声检查评估为乳腺影像报告与数据系统（BI-RADS）4a类及以上的乳腺非肿块样病变患者93例,共计93个病灶。所有病变均行超声引导下穿刺活检,并经手术病理证实。应用四格表计算超声引导下穿刺活检对乳腺非肿块样病变的诊断效能。 结果手术病理结果提示,恶性病灶47个,良性病灶46个。超声引导下穿刺活检结果提示恶性病灶43个,良性50个。穿刺活检漏诊4个恶性病灶,术前超声均提示为BI-RADS 4b,术后病理证实3例为导管原位癌和1例为浸润癌。超声引导下穿刺活检诊断乳腺非肿块样病变的敏感度为91.4%（43/47）,特异度为100.0%（46/46）,假阴性率为8.6%（4/47）,诊断准确性为95.7%（89/93）。 结论超声引导下穿刺活检对乳腺非肿块样病变的诊断存在一定的假阴性率,但敏感度、特异度及准确性均较高,具有良好的诊断价值。     

微创旋切术在乳腺BI-RADS4A类“微钙化非肿块型”病灶诊治中的应用

目的比较钼靶、超声双重联合引导麦默通(MMT)微创旋切术与传统粗针活检术在乳腺BI-RADS 4A类"微钙化非肿块型"病灶诊治中的优劣,探讨其应用价值。方法回顾性对比分析106个病灶MMT及粗针穿刺活检术的病理结果及漏诊率、低估率。结果 106个病灶中癌前病变及原位癌(共32个,30.19%)较为常见。MMT对乳腺癌前病变及原位癌检出率高于粗针穿刺活检术(P0.05);MMT对病灶漏诊率和癌前病变及原位癌的病情低估率皆低于粗针穿刺术(P0.05)。结论双重联合引导MMT微创旋切术对乳腺BI-RADS 4A类"微钙化非肿块型"病灶诊断效能优于粗针穿刺活检,能有效发现乳腺早期恶性病变;能微创、安全地切除该类型病灶。     

常规超声BI-RADS分类结合超声造影在乳腺肿块恶性风险分层评估中的应用研究

目的探讨常规超声BI-RADS分类结合超声造影(CEUS)在乳腺肿块恶性风险分层评估中的应用价值。方法 80例乳腺肿块患者行常规超声和CEUS检查,以病理结果为金标准,对比常规超声BI-RADS分类和CEUS结合BIRADS对乳腺肿块恶性肿瘤的诊断效能。结果 CEUS结合BI-RADS与常规超声BI-RADS分类的诊断结果的一致性较差(Kappa=0.705,P=0.052)。CEUS结合BI-RADS对乳腺恶性肿瘤的诊断特异度、准确性、阳性预测值、阴性预测值均较BI-RADS分类显著提高,假阳性率较BI-RADS分类显著降低(P0.05),两种诊断方法的诊断灵敏度、假阴性率比较差异无统计学意义(P0.05)。结论常规超声BI-RADS分类联合CEUS能够有效提高对乳腺恶性肿瘤的诊断的灵敏度、特异度、准确性,降低假阳性率。     

乳腺超声造影对BI-RADS-US 4类不典型乳腺病变再次分级的诊断价值

目的探讨乳腺超声造影特征对乳腺超声影像报告和数据系统(BI-RADS-US)4类乳腺不典型病变再次分级的诊断价值。方法选取我院经手术病理证实的乳腺病变患者124例,共计130个病灶,其中良性67个,恶性63个。术前常规超声检查BI-RADS-US 4类分类后行超声造影检查,依据病变恶性造影特征(不均匀增强、周边环状高增强、增强后范围扩大、内部充盈缺损、周边放射性汇聚)再次对病变进行分级诊断,无其中任意一项恶性造影特征者降为3级,具备其中任意一项者升1级,具备其中任意两项者升2级,具备其中三项及以上者升为5级;依据手术病理结果探讨超声造影恶性特征对BI-RADS-US 4类不典型乳腺病变再次分级诊断价值。结果造影前BI-RADS-US 4A类病灶61个,4B类病灶41个,4C类病灶28个;超声造影再次分级后BI-RADS-US 3类病灶49个,BI-RADS-US 4A类病灶13个,4B类病灶7个,4C类病灶12个,5级病灶49个;超声造影诊断BI-RADS-US 4类病灶敏感性、特异性、准确率、阳性预测值和阴性预测值分别为90.4%、83.6%、86.9%、83.8%、90.3%,依据恶性肿瘤超声造影特征再次分级能够降低良性病灶穿刺活检率[68.7%(46/67)],同时提高恶性病灶诊断准确率[73.0%(46/63)]。结论依据乳腺肿瘤恶性造影特征对BI-RADS-US4类不典型病灶再次分级,既可降低BI-RADS 4类不典型病灶穿刺活检风险,又可提高该类病变中恶性病灶诊断准确率,优化BI-RADS-US 4类病变分级,更好地为临床提供诊断及治疗的参考依据。     

Reducing Unnecessary Biopsy of Breast Lesions: Preliminary Results with Combination of Strain and Shear-Wave Elastography

The aim of our study was to compare strain elastography (SE), acoustic radiation force impulse-inducing Virtual Touch Imaging ([VTI] Siemens Medical Solutions, Mountain View, CA, USA), Virtual Touch Imaging Quantification ([VTIQ] Siemens Medical Solutions) and combined methods in the evaluation of ultrasound (US) Breast Imaging-Reporting and Data System (BI-RADS) category 4 lesions to explore an applicable way to reduce unnecessary biopsy by reducing false positives of conventional US without yielding false-negative cases. A total of 267 patients with 278 BI-RADS category 4 lesions (151 benign and 127 malignant) were evaluated with conventional B-mode US, SE, VTI and VTIQ implemented on a Siemens Acuson S2000 US system. Diagnostic performance, including area under the receiver operating characteristic curve, sensitivity, specificity, accuracy, positive predictive value (PPV) and negative predictive value (NPV) were evaluated. Overall, VTI alone exhibited the highest NPV (91.74%), although combined elastic methods exhibited higher NPV than single methods, with the highest NPV at 100% when the VTI, SE and VTIQ methods were combined. Compared with conventional US, PPV increased from 45.7% (127 of 278) to 63.18% (127 of 201) when adding combined elastography (VTI + SE +VTIQ). In addition, 52.5% (63/120) and 50.8% (61/120) of BI-RADS 4 A lesions were downgraded when using combined methods (VTI + SE and VTI + SE + VTIQ, respectively) without missing any cancer. However, 2 intraductal papillomas and 1 phyllodes tumor were not identified. In conclusion, the combination of different elastic methods have the potential to downgrade BI-RADS 4A lesions to reduce false-positive biopsies without increasing the risk of missing cancers.     

Subcategorization of ultrasonographic BI-RADS category 4: positive predictive value and clinical factors affecting it

The objective of this study was to evaluate the positive predictive value (PPV) in ultrasonographically (US)-detected breast lesions of BI-RADS category 4a, 4b and 4c and to find how various clinical factors influenced the PPV of category 4. A total of 2142 women with 2430 breast lesions diagnosed on US as BI-RADS category 4 and underwent biopsy were included. Among them, 452 (18.6%) were pathologically confirmed as malignancy. PPV of each US BI-RADS subcategory was 7.6% (149/1963) for category 4a, 37.8% (68/180) for category 4b and 81.9% (235/287) for category 4c. Several clinical factors were more significantly seen in malignancy of category 4a and 4b, whereas none of the factors showed significance in category 4c. Subcategorization of category 4 is a feasible method in predicting malignancy in which patients’ age, lack of multiplicity and symptoms affected the PPV of category 4 lesions. (E-mail: ekkim@yuhs.ac)     

声触诊组织成像定量技术联合BI-RADS分类在乳腺病变中的诊断价值

目的探讨声触诊组织成像定量技术（VTIQ）联合乳腺影像报告和数据系统（BI-RADS）分类对乳腺良、恶性病变的诊断价值。 方法回顾性选取2016年8月至2017年4月在哈尔滨医科大学附属第一医院就诊并获得病理结果的172例患者共172个乳腺病变，172例乳腺病变患者均行常规超声检查及BI-RADS分类，并行弹性成像检查，采用VTIQ模式，获得质量模式图及速度模式图，每个病变记录7组剪切波速度（SWV）测值，取平均值。以病理结果为"金标准"，绘制VTIQ、BI-RADS分类方法及VTIQ联合BI-RADS分类方法诊断乳腺良、恶性病变的ROC曲线，计算曲线下面积并确定最佳诊断界值，分析比较3种方法取最佳诊断界值时的诊断效能。并对BI-RADS分类、VTIQ联合BI-RADS分类计算得出的乳腺病变活检率进行比较分析。 结果BI-RADS分类的ROC曲线下面积为0.762，最佳诊断界值为BI-RADS 3与4a类之间；VTIQ（SWV平均值）的ROC曲线下面积为0.895，最佳诊断界值为3.13 m/s；VTIQ联合BI-RADS分类的ROC曲线下面积为0.908，显著高于BI-RADS分类法的0.762（Z=5.79，P<0.01）。由ROC曲线得出VTIQ联合BI-RADS分类法的最佳诊断界值为BI-RADS 4a与4b类之间，其灵敏度、特异度、阳性预测值、阴性预测值和准确性分别为92.9%、88.8%、80.0%、96.3%和90.1%，与BI-RADS分类相比较，其诊断的特异度提高了32.8%，准确性提高了20.9%，阳性预测值提高了28.6%。116例良性病变中，根据BI-RADS分类计算，需要进行活检的为51例（51/116，43.9%）；根据VTIQ联合BI-RADS分类计算，需进一步活检的为16例（16/116，13.8%），活检率较BI-RADS分类法降低，差异有统计学意义（χ²=25.71，P=0.00）。 结论VTIQ技术联合BI-RADS分类对乳腺良、恶性病变具有较好的诊断效能，与BI-RADS分类比较，其有助于提高诊断的特异度及准确性，且可降低良性病变临床活检率，减少不必要的临床干预，可将弹性成像技术作为常规超声BI-RADS分类的有效补充和辅助诊断方法。     

多模态超声联合人工智能S-Detect技术校正BI-RADS分类对乳腺肿块的诊断价值

目的探讨多模态超声联合人工智能S-Detect技术校正乳腺影像报告与数据系统（BI-RADS）分类对诊断乳腺肿块良恶性的价值。 方法本研究首先采用常规超声、超微血流成像技术及应变弹性成像技术,将2021年7月至12月安徽医科大学第二附属医院收集的连续130例乳腺肿块病例作为训练集进行超声检查,超微血流成像及弹性成像结果分别以血管指数（VI）、弹性应变率（SR）值表示,以病理结果为金标准得出良恶性肿块VI值、SR值的截断值;然后以2022年1月至5月连续110例乳腺肿块作为验证集联合人工智能S-Detect技术,采用常规超声进行BI-RADS分级诊断,再以超微血管成像技术、应变弹性成像技术及S-Detect技术评估结果校正BI-RADS分级,以病理结果为金标准绘制受试者操作特征（ROC）曲线,采用Z检验比较不同诊断方法（常规超声+S-Detect+VI值+ SR值联合诊断以及各方法独立诊断）ROC曲线下面积的差异,计算不同诊断方法的敏感度、特异度、准确性、阳性预测值和阴性预测值。 结果训练集130例乳腺肿块中恶性70例、良性60例,VI值及SR值良恶性截断值分别为4.05、2.59。验证集110例乳腺肿块中恶性63例、良性47例,常规超声、S-Detect、VI值、SR值及四者联合诊断乳腺肿块良恶性的ROC曲线下面积分别为0.936、0.588、0.827、0.802、0.785,联合诊断的效能优于单独应用各独立模块,差异具有统计学意义（Z=6.074,P＜0.001;Z=2.668,P=0.008;Z=3.084,P=0.002;Z=3.293,P=0.001）,联合诊断的敏感度为98.4%、特异度为87.2%、准确性为93.6%、阳性预测值为91.2%、阴性预测值为97.6%。根据2013版美国放射学会BI-RADS≥4类肿块应行穿刺活检,穿刺活检率由87.3%（96/110）降至61.8%（68/110）,并校正4例被错判为良性的恶性病例（非特殊类型的浸润性乳腺癌3例,导管内原位癌1例）,校正32例错判为恶性的良性病例（腺病17例、腺病伴纤维腺瘤14例、叶状肿瘤1例）。 结论多模态超声联合人工智能S-Detect技术校正BI-RADS分类可提升乳腺肿块良恶性的诊断效能,减少不必要的穿刺活检、提高乳腺恶性肿块的检出率。     

超声造影对乳腺X线摄影BI-RADS 3~5类病变的诊断效能

目的 探讨CEUS对乳腺X线摄影（MG）诊断为BI-RADS 3～5类病变的诊断价值。方法 对120例乳腺摄影诊断为BI-RADS 3～5类病变的患者行CEUS检查,所有患者均于影像学检查后接受病理检查。以病理结果为金标准,计算MG与CEUS的诊断敏感度、特异度、阳性预测值（PPV）和阴性预测值（NPV）,并进行统计学分析,比较其诊断效能。结果 120例中,MG诊断为BI-RADS 3类病变37例,其中CEUS诊断2例真阳性,4例假阳性;BI-RADS 4类病变60例,CEUS诊断14例真阳性,33例真阴性;BI-RADS 5类病变23例,CEUS诊断18例真阳性,2例假阳性,3例CEUS诊断阴性者均为假阴性。MG与CEUS对BI-RADS 3～5类病变的诊断敏感度差异无统计学意义（95.12% vs 82.93%, P=0.366）,CEUS的诊断特异度明显高于MG（81.01% vs 44.30%, P<0.001）;MG与CEUS的PPV和NPV差异均有统计学意义（P均<0.05）。结论 CEUS应用于乳腺摄影BI-RADS 3、4、5类病变中,可提高其诊断特异度;对于BI-RADS 3类病变,CEUS阴性诊断可增强诊断信心。     

Application of Deep Learning to Reduce the Rate of Malignancy Among BI-RADS 4A Breast Lesions Based on Ultrasonography

The aim of the work described here was to develop an ultrasound (US) image–based deep learning model to reduce the rate of malignancy among breast lesions diagnosed as category 4A of the Breast Imaging-Reporting and Data System (BI-RADS) during the pre-operative US examination. A total of 479 breast lesions diagnosed as BI-RADS 4A in pre-operative US examination were enrolled. There were 362 benign lesions and 117 malignant lesions confirmed by postoperative pathology with a malignancy rate of 24.4%. US images were collected from the database server. They were then randomly divided into training and testing cohorts at a ratio of 4:1. To correctly classify malignant and benign tumors diagnosed as BI-RADS 4A in US, four deep learning models, including MobileNet, DenseNet121, Xception and Inception V3, were developed. The performance of deep learning models was compared using the area under the receiver operating characteristic curve (AUROC), accuracy, sensitivity, specificity, positive predictive value (PPV) and negative predictive value (NPV). Meanwhile, the robustness of the models was evaluated by five-fold cross-validation. Among the four models, the MobileNet model turned to be the optimal model with the best performance in classifying benign and malignant lesions among BI-RADS 4A breast lesions. The AUROC, accuracy, sensitivity, specificity, PPV and NPV of the optimal model in the testing cohort were 0.897, 0.913, 0.926, 0.899, 0.958 and 0.784, respectively. About 14.4% of patients were expected to be upgraded to BI-RADS 4B in US with the assistance of the MobileNet model. The deep learning model MobileNet can help to reduce the rate of malignancy among BI-RADS 4A breast lesions in pre-operative US examinations, which is valuable to clinicians in tailoring treatment for suspicious breast lesions identified on US.     

Mammographically Occult Asymptomatic Radial Scars/Complex Sclerosing Lesions at Ultrasonography-Guided Core Needle Biopsy: Follow-Up Can Be Recommended

An increasing number of radial scars are detected by ultrasound (US), but their management is controversial. This study investigated the upgrade rate in mammographically occult radial scars/complex sclerosing lesions without epithelial atypia at US-guided 14-gauge core needle biopsy in asymptomatic patients. Nineteen mammographically occult benign radial scars/complex sclerosing lesions (median size, 7 mm; range, 3–23 mm) were included. Patients underwent surgical excision (n = 10) or vacuum-assisted excision, with follow-up US at least 6 mo after benign vacuum-assisted excision results (n = 8), or underwent US follow-up for 2 y after core needle biopsy (n = 1). Any cases with change in diagnosis to high-risk lesions or malignancy at excision were considered upgrades. The upgrade rate was 0.0%. Based on US findings, 15.8% (3/19) were Breast Imaging Reporting and Data System (BI-RADS) category 3, 68.4% (13/19) were BI-RADS category 4a and 15.8% (3/19) were BI-RADS category 4b. Follow-up with US can be considered for mammographically occult benign radial scar/complex sclerosing lesions diagnosed by US core needle biopsy in asymptomatic patients.     

S-Detect技术应用于超声诊断乳腺包块的影响因素及与超声医师联合诊断的分析

目的:探讨S-Detect应用于乳腺包块中敏感性、特异性、符合率的影响因素。分析S-Detect与超声医师联合诊断的诊断价值,及与病理诊断的一致性。方法:回顾性分析经病理证实且同时应用S-Detect技术诊断的453例乳腺肿物患者的相关资料,根据S-Detect的影响因素分组,采用卡方检验计算并比较S-Detect诊断的敏感性、特异性、符合率。采用Logistic回归分析方法研究影响因素与病理诊断良恶性的关系。由一个超声医师进行乳腺超声检查与S-Detect检查,由另一个超声医师对留存图像进行分析根据美国放射学会BI-RADS分级对包块进行分级,再联合S-Detect做出联合诊断。计算并比较S-Detect、超声医师、联合诊断与病理诊断结果的ROC曲线下面积及一致性。结果:453位女性患者,共581个病灶,病理诊断良性病灶411个,恶性病灶170个。S-Detect诊断导管内乳头状瘤及4 cm>病灶≥2 cm的良性病灶误诊率较高,且有统计学差异。S-Detect诊断的特异性较高(>80.00%)。S-Detect在患者年龄、乳腺包块所在象限及乳腺包块所在深度分组中敏感性、特异性在组内均无统计学差异。病理Logistic回归得出3个有意义的危险因素(年龄、S-Detect、乳腺包块最大径),P<0.05。以病理结果为金标准,SDetect的诊断结果 ROC曲线下面积为0.78,Kappa=0.45,超声医师的诊断结果ROC曲线下面积为0.78,Kappa=0.57,超声医师联合S-Detect(初次联合诊断)的诊断结果 ROC曲线下面积为0.84,Kappa=0.65,超声医师联合S-Detect并参考年龄、最大径及S-Detect的影响因素(再次联合诊断)的诊断结果 ROC曲线下面积为0.89,Kappa=0.76,P<0.05。结论:S-Detect诊断的特异性较高,诊断浸润性导管癌的符合率较高,诊断导管内乳头状瘤符合率较低,4 cm>病灶≥2 cm的良性病灶漏诊率较高。S-Detect应用于乳腺包块的诊断可以提高超声医师诊断的诊断价值及与病理诊断的一致性。     

S-Detect超声检查对乳腺病灶诊断价值的探索性研究

目的探讨S-Detectd的诊断效能及其临床应用价值。 方法选取2019年4月至7月于北京大学肿瘤医院乳腺中心超声室接受超声诊断及S-Detect检查的患者378例,共计390个病灶进行回顾性分析。以组织病理诊断为金标准,应用诊断试验四格表分别计算超声医师及S-Detect对乳腺病灶良恶性诊断的敏感度、特异度、准确性、阳性预测值及阴性预测值,采用Kappa检验对S-Detect及超声医师与病理诊断结果的一致性进行分析;对S-Detect判断不确定的病灶进行假设判定,假设判定均为恶性为S-Detect 1、均为良性为S-Detect 2,并分别计算S-Detect 1与S-Detect2的诊断敏感度、特异度、准确性、阳性预测值及阴性预测值。 结果病理结果提示,378例患者共计390个病灶中恶性病灶260个,良性病灶130个。S-Detect的诊断敏感度、特异度、阳性预测值、阴性预测值与准确性分别为94.6%、56.2%、81.2%、83.9%、81.8%。超声医师的诊断敏感度、特异度、阳性预测值、阴性预测值与准确性分别为100.0%、9.2%、71.0%、100.0%、69.7%。Kappa分析结果显示：S-Detect与病理诊断结果的一致性较超声医师与病理诊断结果的一致性好（Kappa值：0.553 vs 0.119,P<0.05）。将S-Detect判断不确定的69个病灶进行假设判定,结果显示,S-Detect 1的诊断敏感度、特异度、阳性预测值、阴性预测值和准确性分别为94.6%、56.2%、81.2%、83.9%、81.8%;S-Detect 2的诊断敏感度、特异度、阳性预测值、阴性预测值和准确性分别为79.6%、79.2%、88.5%、66.0%、79.5%。 结论S-Detect技术对乳腺病灶具有一定的诊断价值,尤其对于良性病灶的诊断符合率优于超声医师,但在临床应用中仍存在部分病灶判断不明确等局限性,如何在临床中更加恰当地结合使用S-Detect还需要更深入的数据研究加以证实。