Multimodal Ultrasound Combined with Machine Learning for Diagnosing Breast Lesions: Incremental Value Assessment of Ultrasound Super-Resolution Imaging
本研究表明，一种整合了常规超声、对比增强超声和超声超分辨率成像特征的机器学习模型，在区分乳腺良恶性病变方面，比初级医师具有更高的诊断准确性和临床实用性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
几十年来，医生们一直依赖超声波来窥探乳房内部，利用声波创建图像以揭示肿块的形状和纹理。虽然这项技术是至关重要的第一步，但它往往难以区分良性生长与危险的癌症，尤其是当两者在标准扫描中看起来极其相似时。为了改进这一点，放射科医生转向了对比增强超声技术，通过一种安全的、可注射的液体来观察血液如何流经肿瘤。然而，即使是这种先进的方法也遇到了物理上的瓶壁：滋养癌症的微小血管通常太细小，无法被清晰地观察到，就像试图从远处看清一根粗绳中的每一根细线一样。一种被称为超分辨率超声成像的新技术试图解决这个问题，它通过将数千张快速拍摄的快照拼接在一起，以极高的精度绘制那些微血管的图谱，从而揭示肿瘤血供的隐藏结构。问题仍然在于，将这种微观细节添加到标准和对比增强视图中，究竟是能帮助医生做出更好的决策，还是这些额外的数据对于忙碌的诊所来说过于复杂而难以利用。
来自中国科学技术大学第一附属医院的一个研究小组致力于通过构建一个能够同时从三种超声数据中学习的计算机系统来回答这个问题。他们收集了接受了全套扫描的210名患者的信息，其中包括106例良性肿块和104例恶性肿瘤。研究人员将这些图像输入到一个“数字大脑”中，测试了六种不同类型的学习算法，以观察哪一种最擅长区分这两类情况。他们不仅观察肿瘤本身，还检查了紧邻其周围的组织，测量了肿瘤边缘外极小区域内的血管排列方式和血流量。在利用大部分数据对系统进行训练后，他们又在另一组独立的患者身上进行了测试，以确保系统能够处理新病例，而不仅仅是记住了旧病例。
结果显示，一种被称为“随机森林”的特定学习模型成为了最准确的预测器。在独立组测试时，该模型以高度的可靠性正确识别了病变的性质，其得分表明良性和恶性病例之间存在近乎完美的区分。系统发现，最重要的线索并不总是最显眼的。虽然肿瘤的大小和患者的年龄是重要因素，但计算机对放射科医生此前利用对比增强超声对肿瘤外观进行的分类赋予了最高的权重。这表明，人类专家最初对血流模式的评估仍然是危险程度的最强指标。
然而，研究发现，超分辨率成像提供的微观细节确实带来了微小但真实的优势。计算机学到，在肿瘤外围微小血管中的某些模式——特别是它们的密集程度和排列方向——提供了标准扫描所遗漏的额外信息。这些细节并非诊断的主要驱动力，但在困难病例中起到了关键的“打破平局”的作用。研究人员发现，最有用的信息来自于紧邻肿瘤的区域，大约在半毫米到一毫米之间。如果距离超过一点五毫米，数据就会变得不再那么有用，这可能是因为那里反映的是正常组织而非肿瘤的影响。
为了验证这个计算机系统是否真的能帮助现实中的医生，研究人员将其表现与三位超声科医生进行了对比：两名从业经验不足三年的初级医生和一名拥有十多年经验的高级专家。计算机模型的表现显著优于初级医生，并达到了与高级专家相当的准确度。这是一个至关重要的发现，因为它表明此类系统可以作为一个强大的助手，在提高经验较少的临床医生信心和准确性的同时，为资深医生提供可靠的第二意见。研究还使用了一种解释计算机为何做出选择的方法，证明其逻辑与既有的医学知识相一致。它证实了高龄、较大的肿瘤尺寸以及特定的血流模式确实是癌症的特征，这让医生相信机器并非在瞎猜，而是基于真实的生物信号进行推理。
研究人员承认，他们的工作是在单一医院开展的，这意味着该模型需要在其他地点进行测试，以证明其具有普适性。他们还指出，该系统表现出轻微的谨慎倾向，在处理潜在癌症时，这种倾向通常比过度自信更安全。尽管存在这些局限性，但这项研究表明，将标准超声的大局观与超分辨率成像的微观视角相结合，创造了一个更完整的诊断工具。通过整合这些层面的信息，该计算机模型提供了一种减少不必要活检并更早发现癌症的方法，将复杂的数据转化为对医生和患者而言清晰且具操作性的指导。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。