【资料图】

根据放射学：人工智能中的一项研究，人工智能 (AI) 工具可以准确、一致地对乳房 X 线照片上的乳房密度进行分类。

乳房密度反映了乳房 X 线照片中常见的乳腺纤维腺体组织的数量。高乳房密度是独立的乳腺癌危险因素，其对潜在病变的掩蔽作用降低了乳房X线照相术的敏感性。因此，美国许多州都有法律要求乳房致密的女性在进行乳房 X 光检查后必须得到通知，以便她们可以选择接受补充检查以提高癌症检测率。

在临床实践中，乳房密度是通过双视图乳房 X 线照片目测评估的，最常见的是美国放射学会乳房成像报告和数据系统 (BI-RADS) 四级量表，范围从几乎完全脂肪乳房的 A 类到D 类非常密集。该系统有局限性，因为视觉分类容易出现观察者之间的差异，或者两个或更多人之间的评估差异，以及观察者内部的差异，或者同一个人在重复评估中出现的差异。

为了克服这种可，的研究人员开发了一种乳房密度分类软件，该软件基于一种称为卷积神经网络深度学习的人工智能，这是一种复杂的人工智能，能够辨别图像中的细微图案，超出人眼的能力。研究人员在七位经验丰富的放射科医师的监督下对名为 TRACE4BDensity 的软件进行了培训，他们独立地对 760 幅乳房 X 线照片进行了视觉评估。

该工具的外部验证由三位最接近共识的放射科医师对从不同中心获得的 384 张乳房 X 线摄影图像的数据集进行。

TRACE4BDensity 在区分低密度(BI-RADS A 和 B 类)和高密度(BI-RADS C 和 D 类)乳腺组织方面的准确率为 89%，该工具与三个读取器之间的一致性为 90%。所有分歧都在相邻的 BI-RADS 类别中。

“该工具的特殊价值在于有可能克服视觉人体密度分类的次优再现性，这限制了其实际可用性，”来自米兰的 Centro Diagnostico Italiano 的研究合著者 Sergio Papa 医学博士说。“拥有一个以标准化方式提出密度分配的强大工具可能对决策有很大帮助。”

研究人员表示，这种工具将特别有价值，因为乳腺癌筛查变得更加个性化，密度评估是风险分层中的一个重要因素。

“诸如 TRACE4BDensity 之类的工具可以帮助我们建议乳房致密的女性在乳房 X 光检查阴性后，使用超声波、MRI 或对比增强乳房 X 光检查进行补充筛查，”该研究的合著者、IRCCS Policlinico San 的医学博士 Francesco Sardanelli 说。圣多纳托的多纳托。