乳腺癌是妇女中最常见的癌症，也是全世界与癌症有关的死亡的主要原因。人们对能够早期发现乳腺癌的筛查方法进行了持续的研究，并发现乳腺钼靶检查是唯一能够显著降低死亡率的成像方式。因此，许多国家已经广泛建立了实施乳腺钼靶检查的乳腺癌筛查项目。

然而，乳腺钼靶检查也有其不足之处，特别是对乳腺密度大的患者来说更为显著。为了克服这些局限性，在过去的二十年里，计算机辅助检测（CAD）算法被用来辅助乳腺钼靶的判析。此外，随着人工智能（AI）深度学习技术的快速发展，新一代的计算机辅助图像分析已经出现，一些基于AI的计算机辅助检测/诊断（AI- CAD）算法已经被批准在乳腺钼靶筛查中使用。

在乳腺钼靶检查发现的异常结果中，钙化是导管原位癌（DCIS）或早期乳腺癌的早期影像学特征。虽然对钙化的存在有相当大的共识，但放射科医生之间对钙化的描述和最终评估的共识却特别低。随着乳腺钼靶分辨率的提高，越来越多的小型微钙化被发现，现在更重要的是确定哪些钙化具有临床意义并与乳腺癌有关。在一些早期的实验研究中，深度学习模型在预测乳腺钼靶上看到的钙化恶性程度方面显示出良好的效果。然而，还没有关于AI-CAD如何分析仅在乳房X光检查中呈现为钙化的病变的研究，特别是根据我们在日常实践中使用的美国放射学会乳腺成像报告和数据系统（ACR BI-RADS）描述符定义的特征。

近日，发表在European Radiology杂志的一项研究评估了市售的AI-CAD算法如何对仅在乳腺钼靶检查中检测到的钙化病变进行风险分层，并将其性能与使用ACR BI-RADS描述符评估钙化的经验丰富的乳腺放射医师进行比较。

本研究对2016年6月至2018年5月期间进行的常规乳腺检查的500名女性（平均年龄，48.8岁）的535个仅在乳腺钼靶检查中检测出钙化的病变纳入研究。由一位专门的乳腺放射学家对乳腺钼靶图像根据ACR BI-RADS进行了评估，包括形态、分布和最终类别的判定。使用AI-CAD分析常规乳腺钼靶图像，并提供AI-CAD标记和相应的AI-CAD分数（范围从0到100%），其中数值≥10%被认为是阳性。通过组织病理学诊断或至少1年的影像学随访来确认良恶性。 

在535个钙化中，215个（40.2%）是恶性的。AI-CAD评分为阳性的钙化与所有形态评分为阴性的钙化相比，PPV明显较高（所有P < 0.05）。在BI-RADS 3、4a或4b评估中，AI-CAD分数为阳性的钙化与分数为阴性的钙化相比，PPVs明显更高（所有P < 0.05）。AI-CAD和有经验的放射科医生在诊断性能上没有显示出明显的差异，敏感性92.1% vs 95.4%（p = 0.125），特异性71.9% vs 72.5%（p = 0.842），准确性80.0% vs 81.7%（p = 0.413）。 

图 根据最终评估的钙化类别所得出AI-CAD得分的分布情况

本研究表明，当评估仅在乳腺钼靶检查中检测到的钙化病变时，在具有相同形态或BI-RADS评估的钙化中，那些AI-CAD的阳性分数的PPV明显较高。此外，在分析这些钙化时，AI-CAD显示出与有经验的放射医师相媲美的诊断性能。因此，本研究期望AI-CAD在评估乳腺钼靶筛查发现的钙化的恶性风险时，能为临床提供与有经验的放射科医生相似的诊断性能水平的帮助。

原文出处：

Jiyoung Yoon,Hye Sun Lee,Min Jung Kim,et al.AI-CAD for differentiating lesions presenting as calcifications only on mammography: outcome analysis incorporating the ACR BI-RADS descriptors for calcifications.DOI:10.1007/s00330-022-08961-7