周末读文献：CESM与Deep Learning

前言

对比增强乳腺X线摄影（CESM）是近年来发展起来的一种乳腺成像技术，其灵敏度与增强MRI相当。然而，乳腺病变变异性很大，CESM提供了更好的可视性，但良恶性增强之间的区分不准确，通常需活检进行最终评估。因此提高CESM特异性成为临床的需求。

近年来基于Deep Learning（深度学习）的AI在医学上的应用越来越多，特别是基于卷积神经网络（Convolutional neural networks，简称CNNs）的应用更是层出不穷。

那么，CESM与Deep Learning是否可以结合，从而提高CESM诊断乳腺癌的特异性，而不影响敏感性？答案是显而易见的。

内容

以色列特拉维夫大学医学中心学者将Deep Learning与CESM结合，近期发表了相关研究成果。

研究比较了两种分析方法：微调预训练网络和完全训练卷积神经网络，将CESM乳腺肿块分为良性或恶性。通过将BIRADS文本特征作为网络的附加输入，对每个分类网络进行改进。同时评价了两种BIRADS融合的网络输入方式：特征融合和决策融合，从而形成多模态网络结构。分类时，还利用来自患者的CESM中显然正常的乳腺组织的信息，从而得出特定患者的分类。

两种神经网络结构：传统FT Alexnet（a）和改进的RawNet

CESM原始图像（左）无病灶图像（中）从病变轮廓外区域采集200个非恶性区块（右）

基于BIRADS的输入文本特征

结果：使用五倍交叉验证对129个随机选择的乳房病变进行评估，这些病变由经验丰富的放射科医生进行了注释。每个注释包括图像中的肿块轮廓、活检证实的良恶性和Birads描述符。在100%的敏感度下，采用多模态网络实现了66%的特异性，该网络结合了特征级别的输入和患者特定分类。

研究证实基于多模态网络算法的系统可以显著减少良性活检，而不损害敏感性。