乳腺癌计算机辅助诊断的评价

在二十年以下，借助于快速推进基于计算机的数字图像处理和机器学习技术，可以显着改善了用于图像，分类和诊断乳腺癌的技术。自20世纪90年代开发计算机辅助诊断技术的早期以来，匹兹堡大学斌郑教授，然后俄克拉荷马大学致力于评估其能力。他的作品允许进入从一系列从数字化乳房X线照片的第一次检测到的癌症的成功的确认，以利用MRI评估乳腺肿瘤对化疗的反应。

自20世纪90年代后期以来，计算机辅助检测和/或诊断（CAD）已成为临床医生的不可或缺的工具，因为它们试图在其患者中识别和诊断癌症。通过处理和分析通过包括X射线和MRI扫描的方法进行的医学图像，CAD现在能够识别和量化与癌症风险，特征和预后高度相关联的图像模式;在许多情况下比人眼更有效。乳腺癌是CAD变得尤为重要的一个领域;近年来，该技术更容易识别数字乳房X光图和MRI扫描的危险增长。自从其出现以来，郑教授及其同事一直处于评估CAD乳房X线摄影的能力的最前沿。

计算机辅助检测与诊断(CAD)的潜力
在过去，医生（特别是放射科医生）面临着阅读和解释乳房X光检查以检测可疑乳腺病变的许多困难，并通过培训的直觉来分类恶性和良性病变之间的差异。当它在20世纪90年代首次出现时，CAD显示了有希望的潜力，可以提供具有有用决策支持工具的放射科医师，以减少癌症检测和诊断中的错误，但它远非确定该技术是否能够更准确地识别放射科医生癌症（或区分恶性和良性病变）。

在他的研究中，郑教授致力于开发新的方式来评估CAD如何用于诊断和治疗乳腺癌的情况。通过严格的测试，涉及真正乳腺癌患者的乳房X线照片，他的作品为CAD技术正在工作的地方提供了重要评估，并确定了他们需要改进的领域。在早期的研究中，这参与评估CAD在通过快速改善的成像技术采取的乳腺X线照片鉴定乳腺癌的性能。基于较早的工作，郑教授现在正在努力评估CAD对图像定量癌症图像标志的能力。成像这些标记将允许放射科医师预测短期乳腺癌风险，以改善癌症筛查的疗效，并评估癌症预后;提高癌症治疗的疗效。

早期CAD局限性评估
郑教授和他的同事在2001年[1]进行了第一次重要的研究，当时CAD正成为一种重要的新诊断工具。在这项研究中，研究人员调查了使用CAD帮助放射科医生通过乳房x光检查乳腺癌的潜在临床效用。为了做到这一点，该团队开展了一项基于多模式的观察者表现研究，涉及筛查209名女性的乳房x线照片。根据几位著名的放射科医生的说法，其中一些患者的乳腺癌检测呈阳性，其余的则被证实为无癌。对于每次筛查，郑教授的团队将CAD方案设置为四个不同的检测灵敏度和特异性(或假阳性率)水平，以检测乳腺病变，包括软组织肿块和微钙化簇。之后，八名放射科医生五次独立阅读和解释这组乳房x光片;首先不使用CAD，然后在四个不同的性能水平上使用CAD。然后，研究人员通过与放射科医生在五种阅读模式下得出的结论进行比较，量化了正确诊断的比率。

郑教授希望临床医生很快就能使用cad生成的标志物来预测个体患者的乳腺癌风险。

该团队发现，当使用具有高灵敏度和低假阳性率的高性能CAD方案时，放射科学家在从筛选乳房X线照片中检测乳腺癌的性能得到显着提高。同时，使用具有较低性能水平的CAD，包括低灵敏度或更高的假阳性率，实际降低放射科学家的性能。基于实验室的研究发现由乳房X线摄影专家的编辑文章评估[2]，并稍后通过许多临床研究证实（例如，[3]）。因此，郑教授的研究表明，当CAD用于临床实践时，揭示了降低假阳性率的重要性。

适应推进CAD技术
这一发现为CAD研究领域探索和开发新的技术和方法带来了巨大的研究兴趣。例如，郑教授和他的合作者不仅将CAD方案从以前的基于屏幕胶片的数字化乳房x线照片转换为全场数字乳房x线照片(FFDM)[4]。该团队还致力于开发和评估一些新的方法，包括但不限于基于多图像的CAD方案[5]和自适应CAD提示方法[6]。
首先，在开发多视图CAD方案时，该团队提出并应用了一种新的窄匹配条方法，该方法在匹配两个视图乳房x线照片中发现的两个可疑病变时，显著提高了准确性。因此，新的CAD方案使放射科医生能够在两个视图上发现更多的病变，而不会增加假阳性率[5]。其次，该团队开发了一种新的基于病例的CAD方案，以预测给定病例的癌症阳性风险，然后将基于病例的风险评分与基于常规区域(或病灶)的评分融合在一起。这项技术产生了一种新的CAD提示方法，即自适应提示方法，帮助检测更困难或微妙的癌症，而不增加整体假阳性率[6]。

除了发现可疑病变，郑教授和他的团队还开发了CAD方案来区分乳腺恶性和良性病变。例如，该团队在应用基于内容的图像检索(CBIR)技术开发使用大型、多样化和平衡的参考数据集的CAD方案方面进行了开创性的工作。该数据显示了超过4000个描述活检证实的恶性和良性病变的感兴趣区域(roi)。这种基于cbr的CAD方案不仅达到了更高的分类性能，而且追求了更高的视觉相似性，旨在增加放射科医师接受CAD生成的分类结果[7]的信心。

最近，郑教授和他的团队鉴定并根据双侧乳腺X射出密度和组织不对称的定量分析确定并调查了新的短期乳腺癌风险因子或预测模型。几项研究（即[8]）已经证明，使用这种新模型具有增加歧视性能以预测短期乳腺癌风险，从而有助于提高乳房X线摄影筛查的疗效。

过渡到一种新的成像方式
近年来，对比增强数字乳房x线照片(CEDM)已成为一种很有前景的新成像方式。该技术利用了DDDM提供的高空间分辨率和乳腺磁共振成像(MRI)提供的生理功能信息，具有显著的快速扫描和低成本。然而，开发CEDM的CAD方案来帮助放射科医生更准确地诊断可疑病变的可能性还没有被研究过。

郑教授及其在市长庭院亚利桑那州和亚利桑那州立大学的合作者一直致力于开发新的CEDM的CAD计划。ABME文件中报告的工作[9]呈现了第一个全自动CEDM的CEDM，以分类恶性和良性乳腺病变。研究结果表明，如果提高病变，则来自双能量减法（DES）图像的病变的分割更容易更具准确性，更准确。其次，除了最终可能是缺点的DES丧失的病变密度异质性信息，CAD通过将DES图像到低能量FFDM图像绘制更好的病变分段结果来产生显着提高的性能。如果在未来的大规模研究中可以进一步验证结果，使用CEDM和CAD将在减少未来乳腺癌诊断中减少不必要的活组织检查方面发挥重要作用。

生成新的基于cad的图像标记
目前，郑教授和一支研究人员正在开发CAD的乳房MR图像，旨在识别用于评估乳腺病变对新辅助化疗的响应的新图像标志。例如，在2016年的研究中，郑教授和他的同事用CAD评估了151名患有Neoadjuvant化疗进行乳腺癌的MR图像;其中一些人对治疗的完全反应，其他人只表现出部分反应。这一次，CAD通过检查每位患者左右乳房之间的动态对比增强信号的双边不对称而产生的图像标记。计算这些标记，然后选择构建多个特征，基于融合的机器学习模型，以区分对新辅助化疗的完全和部分反应，使用MRI获得的预治疗[10]。

郑教授的研究表明，即使在其发展的第一年，CAD已经表现出提高成功乳腺癌诊断率的显着潜力。

该研究证明，即使有大量的MR图像，CAD也仍然是可靠的技术，不仅可以识别来自图像的时变癌，而且还用于对乳腺癌与化疗的不同反应进行分类。该结果揭示了CAD的有希望的潜力，用于在进行化疗的患者中产生定量癌症图像标志物。通过这一最新发展提供的见解，郑教授希望临床医生能够很快能够使用CAD生成的标记来预测个体患者的乳腺癌的风险，以分类恶性和良性肿瘤之间，并评估患者对化疗的反应。比以往任何时候都更有效。