摘要：乳腺癌是全球女性中最常见的癌症，影像学检查对其诊断和分型至关重要。动态增强MRI（DCE-MRI）具有较高的敏感性，但由于对比剂风险和特异性有限，存在误诊率较高的问题。扩散加权成像（DWI）作为一种无创、无需对比剂的MRI技术，具备分辨良恶性肿瘤的潜力，但多b

往期推荐：

PIxelmed AI- DCGAN扩大样本量

打不过就加入！普通医生也能逆袭DXY的特权圈

PixelmedAI-生成网络小样本单中心的救星

肝脏局灶性结节性增生与类似病变影像学诊断

论文代做分享：基于对比增强超声的深度学习模型预测肝细胞癌中包绕肿瘤簇的血管

论文代做分享：形状很重要：IDH野生型胶质瘤影像生存预测因子的无监督探索

乳腺癌是全球女性中最常见的癌症，影像学检查对其诊断和分型至关重要。动态增强MRI（DCE-MRI）具有较高的敏感性，但由于对比剂风险和特异性有限，存在误诊率较高的问题。扩散加权成像（DWI）作为一种无创、无需对比剂的MRI技术，具备分辨良恶性肿瘤的潜力，但多b值DWI图像的复杂性加重了医生阅片负担。人工智能（AI）、特别是卷积神经网络（CNN），近年来已在多种乳腺影像（如钼靶、DCE-MRI）分析中表现优异，却鲜有只用DWI、且不依赖病灶分割的AI分型研究。

·研究类型与数据：回顾性单中心研究，共纳入293名女性患者的334个乳腺肿块（2019-2022年，3T MRI设备），均有病理或影像随访。

·影像采集：每例采集五个b值（0/200/800/1000/1500 sec/mm²）的DWI数据，无需手动或自动分割肿瘤区域，仅使用提供肿瘤所在切片的索引信息。

·AI模型：比较了小型2D CNN、ResNet-18、EfficientNet-B0、3D CNN等架构。

·训练与评估：

o训练集（206例）/测试集（128例）分割。

o交叉验证评估，并对比乳腺专科放射科医师对标准MRI的诊断。

o尝试不同数据增强策略（A：弹性形变；B：仿射变换和噪声；C：mixup及其组合），以及输入ADC值的辅助作用。

·统计：以AUC、敏感性、特异性等指标分析，并与人工阅片对比。

·小型2D CNN表现：在测试集上，最佳模型（数据增强A+B）AUC达0.88，敏感性85.9%，特异性81.4%，PPV 90.1%，NPV 74.5%。与放射科医师（AUC 0.86）表现无统计学差异。

·模型架构与数据增强：

o小型2D CNN优于3D CNN（AUC 0.88 vs 0.75-0.76），也与ResNet-18、EfficientNet-B0表现相当。

o空间类数据增强（A/B）对CNN模型性能提升明显，Mixup单独增强作用有限。

·ADC图的作用：直接输入ADC图对模型诊断性能无提升，且不如原始多b值DWI图像。

·无需病灶分割：模型直接输入DWI切片，不需人工/自动标注，流程更贴近实际临床场景。

·对临床的意义：

o对不能用或不耐受增强剂患者具有重要补充价值；

o可减轻放射科医生工作量，减少主观误差，适合医师紧缺场景；

o有望提升DWI图像的实际特异性，提高阴性/阳性预测值。

1.数据量和多中心外部验证：本研究为单中心小样本，未来需在更大样本、多中心、多种MRI设备上验证泛化能力。

2.病灶分割和多模态融合：未结合病灶分割和其它序列（如T1/T2），也未探究将多模态序列及ADC数据联合输入模型是否进一步提升性能。

3.小病灶/单层病灶未纳入：排除了仅在单切片可见的病灶，实际应用推广时需优化适用于多种病灶形态的AI模型策略。

4.外部真实临床流程对照：未来可考察AI+DWI分析对真实临床队列的诊疗效率、准确率、医师决策辅助等实际价值。

5.进一步优化数据增强和网络结构：针对医学影像领域特定的数据稀疏问题，可继续优化数据增强（如针对乳腺结构的仿真噪声）和轻量化模型结构。

基于人工智能的算法用于分析弥散加权磁共振成像 (diffusion-weighted MRI)。数据增强 A：随机弹性形变；数据增强 B：随机仿射变换和随机噪声；数据增强 C：Mixup。我们使用了一个小型二维卷积神经网络 (2D CNN) 来对数据增强组合进行全面比较，因为它在不同网络架构的 10 折交叉验证中表现最佳。CNN = 卷积神经网络，3D = 三维，2D = 二维。

来源：影像诊断小札记