European Radiology：深度学习，让乳腺MRI更“接地气”！

现阶段，乳腺的动态对比增强MRI（DCE-MRI）已广泛用作乳腺癌的辅助筛查工具。乳腺MRI不仅比乳腺钼靶检查发现更多的乳腺癌病例，而且可以在更早的阶段发现癌症。特别是对于乳腺致密的女性患者，用辅助性的MRI进行筛查有可能减少间隔期乳腺癌的发生。然而，成本较高仍然是MR更广泛应用的最主要障碍。

降低乳腺MRI成本的最有希望的方法是通过缩短采集时间来提高MRI扫描仪的数量，并通过缩短判析时间来减少放射科医生的工作量。人工智能（AI）和超快磁共振成像的结合可以通过自动排除没有病变的扫描来帮助提高乳腺磁共振成像筛查的效率。

近日，发表在European Radiology杂志的一项研究开发和评估了一个仅以乳腺TWIST序列为输入的自动异常预测的深度学习模型，为乳腺病变的快速检测、减少放射科医生工作量并进一步提高乳腺MR检查的适用度提供了技术支持。

本项回顾性分析纳入了2016年4月至2019年10月期间的438名女性的837次乳腺MRI检查。根据最终解释，将每次检查中的左、右乳腺标记为正常（无可疑病变）或异常（有可疑病变）。然后使用每个乳腺房的最大强度投影（MIP）图像来训练深度学习模型。根据验证集上的DE曲线，计算出一个高灵敏度阈值。该模型的性能是通过独立测试集的ROC曲线分析来评估的，并计算了高灵敏度阈值的敏感性、特异性、阳性预测值（PPV）和阴性预测值（NPV）。 

独立测试集由149名患者（平均年龄44岁±14[标准差]）的178次检查组成。训练后的模型在独立测试集上的AUC为0.81（95%CI：0.75-0.88）。应用0.25的阈值产生了98%的灵敏度（95%CI：90%；100%）、98%的净现值（95%CI：89%；100%）、工作量减少15.7%、扫描时间减少16.6%。 

图 来自独立测试集的真阳性、真阴性、假阳性和假阴性示例以及梯度加权类激活图（Grad-CAM）生成的相应热图

本研究表明，在工作流程中使用深度学习模型对超快速乳腺MRI检查进行分类是提高乳腺MRI筛查效率和可及性的一种十分具有临床有价值的影像学方法。缩短扫描和判析时间可以大大降低乳腺MRI筛查的成本，为MRI筛查的进一步广泛应用提供了技术支持。

原文出处：

Xueping Jing,Mirjam Wielema,Ludo J Cornelissen,et al.Using deep learning to safely exclude lesions with only ultrafast breast MRI to shorten acquisition and reading time.DOI:10.1007/s00330-022-08863-8