根据2023年5月16日在《临床影像》上发表的研究，纽约市纪念斯隆凯特琳癌症中心的Tali Amir博士领导的团队发现，他们测试的人工智能决策支持系统在判断影像结果为可疑或可能恶性方面表现出完美的准确性。Amir博士和合作者写道，随着AI的发展，系统检测超声图像中可能的关注区域供放射科医生审查，可能在ILC环境中有助于减少间隔癌症。
ILC的检测可能具有挑战性，因为它们在影像上显示出各种外观。先前的研究发现，对于这些癌症的检测，乳房X光摄影的敏感性范围在57%到81%之间，而乳房超声的敏感性范围明显更高。
虽然乳房放射科医生正在使用AI帮助诊断乳腺癌，但研究人员指出，关于技术在侵袭性ILC案例中的潜在角色的数据有限。
Amir和同事们想看看AI决策支持系统在评估来自乳房超声图像的ILC方面的表现如何。使用回顾性数据，团队在75名女性中测试了该系统，这些女性总共有83例侵袭性小叶癌。这些病例是通过活检或手术诊断的。
研究人员发现，AI决策支持系统将研究中的100%的侵袭性小叶癌解读为可疑或可能恶性。这包括100%的敏感性和0%的假阴性率。
此外，研究团队还发现，最初由解读乳房放射科医生推荐进行活检的83例检测到的癌症中有82例，在同一天重复诊断超声后，因识别出一个额外的ILC，所有的都被推荐进行活检。
此外，决策支持系统将其识别为可能恶性的病变，但被放射科医生评为BI-RADS 4的病变，其病变中位大小为一厘米。相比之下，BI-RADS 5病例的病变中位大小为1.4厘米（p = 0.006）。最后，团队报告称，20%的侵袭性小叶癌患者被放射科医生评为BI-RADS 5。
研究作者写道：“这些结果表明，AI可能在形状、边缘状态或血管性更难以辨识的小于一厘米的病变中提供更有用的决策支持。”
他们补充说，未来的研究应探讨AI决策支持对放射科医生评估和推荐活检的信心的影响。
参考资料：
