规培医生应用医学影像AI辅助诊断乳腺肿块及使用意愿调查研究

　　摘    要：目的 分析规范化培训（规培）医生应用医学影像人工智能（AI）软件S-Detect对乳腺肿块的诊断价值，以及调查分析规培医生对医学影像AI使用意愿的影响因素。方法 40名规培医生未应用及辅助应用S-Detect，分别对机器中存储的60例乳腺肿块进行BI-RADS分类，以BI-RADS 4A类作为良恶性的界值，以病理学结果作为“金标准”，使用Wilcoxon检验，比较这2种方法的诊断效能。对规培医生使用医学影像AI的意愿进行问卷调查，分析其影响因素。使用Pearson系数及多元线性回归探究相关因素与使用意愿的关系。结果40名规培医生未应用及辅助应用S-Detect对60例乳腺肿块诊断的符合率分别为84.17%和93.75%。二者符合率比较，差异有统计学意义（P<0.01）。规培医生对医学影像AI了解程度越高，使用意愿越高。结论 规培医生应用S-Detect可提高对乳腺肿块的诊断正确率。规培医生对医学影像AI了解程度越高，对其使用意愿越强。

　　关键词：规培医生; S-Detect; 人工智能; 乳腺; 肿块; 超声;

　　近10年来，乳腺癌的发病率和死亡率在全世界女性中均呈现快速增长趋势[1,2]。早期准确、可靠的诊断和早期治疗对于乳腺癌的预后至关重要[3,4]。由于我国女性乳房体积较小、致密性较高，故超声成为首选的影像学检查方法，并越来越广泛地应用于乳腺肿块的检查和评估中。

　　目前，我国乳腺超声面临三大难题：超声医生短缺、对经验要求高、疲劳易漏诊。将人工智能（AI）应用于医学影像分析，有望切实提升医生工作效率和工作质量，具有广阔发展前景[5]。S-Detect软件是通过提取乳腺超声图像中的原始射频信号，通过图像分割获取感兴趣区域的特征参数，并且通过上万例的乳腺肿块的模拟训练得到数据[6]。S-Detect以对乳腺检查病理结果的大数据分析得出的病变特征为基础，为临床检查选定图像提供良恶性的判别建议[7]。

　　本研究方法通过40名规范化培训（规培）医生未应用及辅助应用S-Detect，分别对机器中存储的60例乳腺肿块进行BI-RADS分类，以BI-RADS 4A类作为良恶性的诊断节点，病理学结果作为“金标准”，分析这2种方法的诊断效能。对规培医生使用医学影像AI的意愿进行问卷调查，分析其影响因素。

　　1 资料与方法

　　1.1 一般资料

　　随机抽取存储在机器中的乳腺二维超声图片60张，包括40例良性病灶及20例恶性病灶。这些图片均由同一位资深乳腺超声医生留取。患者年龄18～62岁，平均37岁，均有明确病理学诊断。排除标准：在本院超声检查前行穿刺或放化疗者。

　　1.2 方法

　　1.2.1 超声检查

　　采用Samsung RS80A超声诊断仪，探头频率3～12 MHz，配备有S-Detect软件。超声医生根据第5版BI-RADS分类标准对乳腺肿块进行分类。

　　1.2.2 S-Detect软件的使用培训

　　在本院超声科进行规培的医生共40名，包括2017级6名，2018级19名，2019级15名；男7名，女33名；年龄23～31岁，平均27.3岁。所有规培医生均接受过详细的第5版乳腺超声BI-RADS分类培训和乳腺良恶性肿块超声鉴别诊断等乳腺超声基础知识培训。一名超声医生演示S-Detect软件的使用。教学课程结束后，规培医生开始熟悉超声机器及启动S-Detect软件对机器内预存图片进行模拟训练。同时，他们可以随时提问并得到指导教师的即时回答。每位规培医生均有知情权并且自愿加入。

　　1.2.3 诊断方法

　　40名规培医生不应用S-Detect软件，根据肿块的二维超声声像特征对乳腺肿块进行BI-RADS分类。同时该40名规培医生应用S-Detect软件在肿块横向和纵向的最大切面对肿块进行BI-RADS分类。在计算机辅助诊断（CAD）模式下，肿块被一线性轮廓描记，医生也可以手动来调整该轮廓。几秒钟后，S-Detect软件会给出一个可能良性或可能恶性的诊断，并同时给出包括形状、方位、边界、内部回声及后方声影特征的一系列超声描述作为参考。超声BI-RADS 4A类及以下认为是良性结节，与病理结果相一致的认定是良性符合；超声BI-RADS 4B类及以上认为是恶性结节，与病理结果相一致认定是恶性符合。

　　诊断符合率代表了诊断正确率。

　　1.2.4 问卷调查

　　为研究影响医学影像AI使用意愿的因素，问卷共设计4个维度来考查，研究医学影像AI了解程度（简称了解程度）、医学影像AI依赖程度（简称依赖程度）、医学影像AI担忧程度（简称担忧程度）与医学影像AI使用意愿（简称使用意愿）的关系。问卷采用Likert-5分量表的形式，量表分值的设定采用以下方式：完全符合记为5分，比较符合记为4分，基本符合记为3分，不太符合记为2分，完全不符合记为1分。

　　1.3 统计学处理

　　应用SPSS23.0统计软件进行分析，计数资料以百分比表示，规培医生应用S-Detect软件前后的诊断符合率比较采用Wilcoxon检验和秩和检验。P<0.05为差异有统计学意义。计算KMO值和Cronbach′α系数判断总量表和分量表的信效度。使用Pearson系数及多元线性回归探究相关因素与使用意愿的关系。

　　2 结果

　　2.1 病理类型分组

　　60例肿块中共40例良性病灶及20例恶性病灶，其中良性病灶包括纤维腺瘤28例，腺病伴纤维腺瘤2例，腺病6例，脂肪瘤1例，化脓性炎1例，导管内乳头状瘤2例。恶性病灶20例，包括非特殊性浸润性癌18例，导管内癌2例。肿块长径在7～39mm。

　　2.2 2种诊断方法诊断效能的比较

　　40名规培医生不应用S-Detect时，60例乳腺肿块诊断的符合率为84.17%；辅助应用S-Detect时，60例乳腺肿块诊断的符合率为93.75%。二者比较，差异有统计学意义(P<0.01）。

　　2.3 规培医生使用医学影像AI的使用意愿调查

　　2.3.1 效度信度检验

　　总量表的KMO值为0.761，了解程度、依赖程度、担忧程度、使用意愿的KMO值分别为0.825、0.739、0.790、0.643，总量表及各分量表的KMO值均大于0.6，量表的效度检验通过。总量表的Cronbach′α系数为0.904，了解程度、依赖程度、担忧程度、使用意愿的Cronbach′α系数分别为0.919、0.851、0.829、0.771，总量表及分量表的Cronbach′α系数均大于0.7，量表的信度检验通过。

　　2.3.2 各维度相关分析

　　为探究了解程度、依赖程度、担忧程度与使用意愿的关系，本研究对其进行Pearson相关性分析，结果显示，了解程度与使用意愿呈强相关（r=0.647）；依赖程度与使用意愿呈中等相关（r=0.597）；担忧程度与使用意愿呈弱相关（r=0.317）。见表1。

　　2.3.3 回归分析

　　将样本年龄、了解程度、依赖程度、担忧程度作为自变量（X），将使用意愿作为因变量（Y）进行多元线性回归分析。采用“向后”方法，先将所有变量一次性带入回归模型，然后按顺序剔除对回归方程影响不显著的变量，直到没有自变量符合剔除的条件。经过3次迭代后，将“担忧程度”剔除，最终回归模型的R2为0.604。调整R2为0.571，模型的拟合程度较好，剩余自变量对因变量的解释能力较强，模型的显著性检验的伴随概率为0，模型通过显著性检验。自变量的系数回归结果见表2，回归方程：使用意愿=3.055-0.058×年龄+0.285×了解程度+0.306×依赖程度。在此模型中，从回归系数的大小可以判断，依赖程度的回归系数最高。在其他条件不变的情况下，提升1个单位的依赖程度，会给使用意愿带来最大的提升效果。见表2。

　　表1 各维度相关分析（r)

　　表2 回归分析结果

　　3 讨论

　　住院医生规培是医学生毕业后教育的重要组成部分，对于培训临床高层次医生、提高医疗质量极为重要[8]。但是规培医生的经验相对欠缺，关于超声报告的质量有很大的限制。随着AI的发展，越来越多的医学影像AI被应用于超声辅助诊断。本研究的目的即为分析规培医生对医学影像AI的使用意愿及辅助应用S-Detect软件在乳腺肿块良恶性中的诊断价值。

　　规培医生在应用S-Detect前后，对乳腺肿块的诊断符合率分别为84.17%和93.75%，二者有统计学差异。说明规培医生应用S-Detect软件可以增加诊断正确率。将BI-RADS 4A类作为良恶性肿块的诊断界点，BI-RADS 4B类及以上被认定为恶性。在随机抽取的病灶中，良性病灶中有1例硬化性腺病被分到BI-RADS 4B类以上，该例具有4项恶性特征：形态不规则、纵横比大于1、内可及钙化、后方伴声影，这与其超声表现多样、不易鉴别有关[9]。1例化脓性炎也被分到BI-RADS 4B类以上，同样具有内部回声不均匀、边缘模糊、周边可见高回声晕环的恶性特征，但通过询问病史、视诊及触诊较易鉴别。故S-Detect作为一种计算机辅助诊断技术，不能完全取代医生在对患者检查过程中视诊、问诊和触诊所发挥的作用，所以其在临床应用过程中一定要结合患者病史、症状、体征等信息来综合判断。

　　AI这个概念由MCCARTHY于1956年正式提出。机器学习和深度学习作为AI的重要分支，在医学影像学中有着广泛的应用[10]。2012年JAMIE-SON等[11]开始探索将深度学习技术应用于乳腺超声影像的分类，到CIRITSIS等在582例患者的超声影像上利用深度卷积神经网络（DCNN）进行了病灶的检测及分类，且分类细化到了BI-RADS分类，其准确率均超过了人类医生[12]。40名规培医生的平均年龄为27.3岁，他们对于AI会取代人类的担忧程度较小，并且其对AI的了解程度与使用意愿呈强正相关。规培医生的培训可以通过逐步增加线上和线下的AI培训，多给年轻医生出去交流学习的机会，增加其对AI的了解程度，进而增强其使用AI的意愿。

　　总之，规培医生应用S-Detect可以提高对乳腺肿块的诊断正确率。规培医生对医学影像AI的了解程度越高，对其使用意愿越强。

　　参考文献

　　[1] DUBEY A K,GUPTA U,JAIN S.Breast cancer statistics and prediction methodology:a systematic review and analysis[J].Asian Pac J Cancer Prev,2015,16(10):4237-4245.

　　[2] BARTON H,SHATTI D,JONES C A,et al.Review of radiological screening programmes for breast,lung and pancreatic malignancy[J].Quant Imaging Med Surg,2018,8(5):525-534.

　　[3] WANG Y,FAN W,ZHAO S,et al.Qualitative,quantitative and combination score systems in differential diagnosis of breast lesions by contrast-enhanced Ultrasound[J].Eur J Radiol,2016,85(1):48-54.

　　[4] SELLAMI L,BEN SASSI O,CHTOUROU K,et al.Breast cancer ultrasound images′sequence exploration using BI-RADS features′extraction:towards an advanced clinical aided tool for precise lesion characterization[J].IEEE Trans Nanobioscience,2015,14(7):740-745.

　　[5] 李坤成．加强人工智能深入学习在医学影像学临床应用领域的研究[J]．中国医学影像技术，2019,35(12):1769-1770.

　　[6] HAN S,KANG H K,JEONG J Y,et al.A deep learning framework for supporting the classification of breast lesions in ultrasound images[J].Phys Med Biol,2017,62(19):7714-7728.

　　[7] 闫虹，李响，程慧芳，等．S-Detect技术应用于超声诊断乳腺包块的影响因素及与超声医师联合诊断的分析[J]．中国临床医学影像杂志，2020,31(1):24-29.

　　[8] 王延海，解丽梅．PBL结合CBL教学法在超声科住院医师规范化培训中的应用研究[J]．中国继续医学教育，2017,9(15):8-10.

　　[9] 耿琛琛，高晓倩，杨柳，等．乳腺硬化性腺病的超声表现分析[J]．中国超声医学杂志，2018,34(4):310-313.

　　[10] 郑博文，陈卫国，秦耿耿．人工智能在功能与分子影像学的研究进展[J]．分子影像学杂志，2020,43(1):1-6.

　　[11] JAMIESON A R,DRUKKER K,MARYELLEN L,et al.Breast image feature learning with adaptive deconvolutional networks[J].Med Imag,2012,8315:831506-831511.

　　[12] CIRITSIS A,ROSSI C,EBERHARD M,et al.Automatic classification of ultrasound breast lesions using a deep convolutional neural network mimicking human decision-making[J].Eur J Radiol,2019,29(10):5458-5468.

本文链接：http://www.qk112.com/lwfw/yxlw/qitayixue/126994.html