如果拍攝數字乳腺斷層融合X線成像(Digital Breast Tomosynthesis,DBT),就可以篩查出婦女患乳腺癌的風險並且有針對性的給出健康指導,你會相信嗎?
如果拍攝數字乳腺斷層融合X線成像(Digital Breast Tomosynthesis,DBT),就可以篩查出婦女患乳腺癌的風險並且有針對性的給出健康指導,你會相信嗎?
其實AI已來!
乳腺癌一直是女性癌症死亡的最常見原因[1]。隨著乳房X光檢查的普及,女性乳腺癌死亡率降低了25%到40%[2,3]。然而,並不是所有的乳腺癌都能通過乳房X光檢查確診。
在篩查中,相當大比例的乳腺癌被遺漏或掩蓋[4],大約40%的患者在確診時已到達晚期[5]。一些篩查結果為陰性或良性的乳腺癌,如果在一年之內再次篩查時被確診,則稱為間歇期癌症(interval cancers),這種“漏網之魚”往往生長和擴散更快[6],與預後較差、乳腺癌相關死亡率增加相關[7]。
目前,篩查的間隔時間和年齡範圍都是乳腺癌篩查的重點爭論對象,而乳腺癌的風險因素也有待更多探索[8]。
因此,瑞典卡羅林斯卡學院團隊基於DBT圖像,開發用於預測婦女患乳腺癌風險的模型,主要是針對那些獲得陰性或良性篩查結果、但仍有可能在下一次篩查前或篩查時出現乳腺癌的女性,進行臨床護理和保健工作[9]。
他們發現,在乳房X光檢查後一年內用來預測乳腺癌患病風險時,DBT模型展現出良好的性能(AUC為0.82),敏感度比現有風險預測模型高1.5-2.4倍。
同時,他們利用DBT模型發現,有14%的女性在陰性或良性篩查後,仍具有乳腺癌患病高風險,在篩查後的一年內患病風險比普通人群高出近20倍。
文章於近期發表在《科學·轉化醫學》期刊上。
在此之前,該團隊已經基於多個二維(2D)乳房X光成像特征和年齡,來預測在常規篩查之前或下一次常規篩查時乳腺癌診斷的風險[10]。
但本次模型使用的DBT圖像可以一次性最多生成300張圖像,能夠展現更多細節,遠遠超過2D乳房X光檢查獲得的4張圖像。因此,本研究也是目前全球首次構建的包含由DBT采集產生的附加圖像數據的模型。
本次研究共納入來自美國的805名乳腺癌女性患者和5173名健康女性,她們於2014年至2019年期間進行過DBT篩查,從DBT篩查到乳腺癌診斷的中位隨訪時間為371天(四分位數範圍:366至415天)。參與研究的人群特征如下:
左:納入研究人群特征;右:從DBT篩查到乳腺癌診斷的中位風險隨訪時間
研究團隊在調整年齡因素後,使用彈性網絡Logistic回歸和嵌套交叉驗證來建立風險模型。該模型基於乳房X光檢查結果(乳房密度、微鈣化、腫塊),及其左右乳房上的差異、年齡差異,對乳房中多個亞區進行評估,通過分數來量化乳腺癌風險。
結果顯示,該DBT模型的性能良好,用於在篩查後1年內預測乳腺癌患病風險時,AUC值達到0.82(95%CI,0.79~0.85)。
具體來看,在評估浸潤性癌和原位癌風險時,DBT模型的AUC值分別為0.82(95%CI,0.79~0.86)和0.81(95%CI,0.76~0.86)。在評估乳房低密度和高密度(低於和高於人群中位數)時,AUC值分別為0.82(95%CI,0.77~0.86)和0.82(95%CI,0.78~0.86)。對篩查發現的癌症和間歇性癌症進行評估時,DBT模型的AUC值分別為0.83(95%CI,0.80~0.86)和0.80(95%CI,0.71~0.88)。
對於不同年齡(絕經前後)的乳腺癌患者來說,DBT模型預測性能良好
既然性能有了保障,研究者們便用DBT模型揭示了不同危險因素與乳腺癌風險的關係。
研究表明,乳房的整體乳房 X 線攝影密度與乳腺癌高風險相關,優勢比(OR)為1.23 (95%CI, 1.03~1.47)。
對於腫塊,單個高危分區和多個高危分區與乳腺癌高危相關,OR值分別為2.25(95%CI,1.2 4~4.11)和3.93(95%CI,1.39~25.33)。不過,腫塊的左右乳房差異與低風險相關,OR值為0.04(95%CI,0.0 1~0.133)。
相比之下,對於微鈣化,風險最高的單個亞區以及微鈣化的左右乳房差異與乳腺癌高風險相關,OR值分別為1.56(95%CI,0.78~3.12)和4.54(95%CI,0.67~24.87),而風險增加的多個區域與較低的風險相關,OR為0.18(95%CI,0.04~1.06)。
乳房 X 線照相特征的相對風險
值得注意的是,根據美國預防服務工作組USPSTF的指南[11],研究者們基於該DBT模型指出,14%的女性在陰性或良性篩查後仍具有乳腺癌患病高風險,她們在篩查後的一年內患病風險比普通人群高出19.6倍。這些高危人群在後期診斷時,76%的人處於乳腺癌II/III期,59%的人處於乳腺癌0期,58%的人處於乳腺癌I期。
篩查後1年內,乳腺癌絕對風險的頻率分布。
(藍色:驗證數據集中的乳腺癌組;綠色:健康女性)
乳腺癌發生的1年絕對風險的風險分類。1年平均風險為0.28%。分析中的數據集是對基礎篩查人群中的女性進行反向概率加權。驗證集為154200名女性中的30%,即46260人。
不僅如此,研究團隊還將此次的DBT模型,與之前報道的兩種風險模型(全場數字乳房X光檢查FFDM模型、基於生活方式-家族史和乳房X光檢查密度模型 )進行了比較。
結果顯示,從AUC值上看,DBT風險模型更勝一籌,FFDM風險模型的AUC值為0.73,生活方式-家庭風險模型的AUC值為0.62。這三種模型的ROC曲線見下圖A到C,在高風險女性中的癌症累積收益見下圖D。敏感度方麵,與FFDM和生活方式-家族風險模型相比,DBT風險模型的敏感度分別高1.5倍和2.4倍。
三種模擬風險模型的ROC和與乳腺癌風險最高的女性相關的癌症收益
總體來說,瑞典卡羅林斯卡學院團隊基於DBT圖像開發了一項乳腺癌風險預測模型,性能良好,能夠識別篩查結果為陰性或良性、但仍有可能在下一次篩查前或篩查時出現乳腺癌的女性。
本研究也有一定缺陷,主要表現在以下幾點:1)研究數據的局限性,隻覆蓋了35-74歲,雖然這是接受篩查的普遍年齡,但仍需要擴大年齡範圍來進一步調查。2)DBT門架僅限於GE Healthcare、霍洛奇和西門子這三家供應商,其他供應商數據還需要進一步的驗證。3)對風險模型的模擬比較,應該通過對外部獨立數據的分析來驗證,此次無法評估按種族背景分層的歧視性和風險分層表現。4)本研究是基於有限的數據集,獨立的研究樣本來自與訓練集相同的來源人群,對獨立和篩選代表性來源人群的研究還需要進一步驗證。5)需要一項幹預性研究來確定在風險輔助篩查計劃的早期階段可以識別和治療的癌症的比例。
當然,瑕不掩瑜。針對乳腺癌的影像組學驗證模型研究並不少見,但本研究構建的風險預測模型,首次使用DBT圖像,並聯合分析三種乳房X光檢查特征、左右乳房差異和年齡。在不久的將來,它或許能夠幫助放射科醫生,更好地識別可能從額外或增強篩查中受益的女性,為改善乳腺癌篩查和早期風險評估提供了新策略。
值得一提的是,2017年時,在一篇刊登於Nature期刊封麵的文章中,斯坦福大學領銜的拍圖識病開啟了醫學人工智能的熱潮。隨後幾年內,基於臨床圖像、病理圖像、CT等影像的醫學輔助診療神經網絡算法,在皮膚疾病、癌症預測等領域飛速發展。這項研究中的DBT風險模型,作為深度卷積神經網絡在乳腺癌中的應用,再次讓我們看到了醫學人工智能的無限潛力。
AI已來的時代,你覺得醫療AI會改變你的生活嗎?會帶來更加健康的世界嗎?
參考文獻:
1.C. Harding, F. Pompei, D. Burmistrov, et al. Breast cancer screening, incidence, and mortality across U.S. counties. JAMA Intern. Med. 175, 1483–1489 (2015).
2. B. Lauby-Secretan, C. Scoccianti, D. Loomis, et al. Breast-cancer screening—Viewpoint of the IARC Working Group. N. Engl. J. Med. 372, 2353–2358 (2015).
3. L. Tabar, T. H. Chen, A. M. Yen, et al. Early detection of breast cancer rectifies inequality of breast cancer outcomes. J. Med. Screen. 28, 34–38 (2021).
4.V. D. V. Sankatsing, J. Fracheboud, L. de Munck, et al. National Evaluation Team for Breast cancer screening, NETB, Detection and interval cancer rates during the transition from screen-film to digital mammography in population-based screening. BMC Cancer 18, 256 (2018).
5.C. Duggan, D. Trapani, A. M. Ilbawi, et al. National health system characteristics, breast cancer stage at diagnosis, and breast cancer mortality: A population-based analysis. Lancet Oncol. 22, 1632–1642 (2021).
6.N. Houssami, K. Hunter, The epidemiology, radiology and biological characteristics of interval breast cancers in population mammography screening. NPJ Breast Cancer 3, 12 (2017).
7.J. Holm, J. Li, H. Darabi, et al. 1112 associations of breast cancer risk prediction tools with tumor characteristics and metastasis: Analysis of polygenic risk score, mammographic density and Tyrer-Cuzick predicted 10-year breast cancer risk. Eur. J. Cancer 3, S167–S168 (2015).
8.N. Dimitrova, Z. S. Parkinson, A. Bramesfeld, et al. The European Breast Guidelines (Joint Research Centre (JRC), 2016).
9.M. Eriksson, S. Destounis, K. Czene, et al. A risk model for digital breast tomosynthesis to predict breast cancer and guide clinical care. SCIENCE TRANSLATIONAL MEDICINE. 14, eabn3971 (2022).
10.M. Eriksson, K. Czene, Y. Pawitan, et al. A clinical model for identifying the short-term risk of breast cancer. Breast Cancer Res. 19, 29 (2017).
11.A. L. Siu; U.S. Preventive Services Task Force, Screening for breast cancer: U.S. Preventive Services Task Force recommendation statement. Ann. Intern. Med. 164, 279–296 (2016).
copyright©醫學論壇網 版權所有,未經許可不得複製、轉載或鏡像
京ICP證120392號 京公網安備110105007198 京ICP備10215607號-1 (京)網藥械信息備字(2022)第00160號