基于深度学习的乳腺X线摄影不对称征象的良恶性鉴别与风险分层研究综述.docVIP

基于深度学习的乳腺X线摄影不对称征象的良恶性鉴别与风险分层研究综述

一、乳腺X线摄影不对称征象的临床价值与诊断困境

乳腺X线摄影（Mammography）是目前乳腺癌筛查的首选影像学手段，其对早期乳腺癌的检出灵敏度可达85%以上，尤其对微钙化的识别具有不可替代的优势。在乳腺X线影像的各类异常征象中，不对称征象是除肿块、微钙化、结构扭曲之外的第四类重要异常表现，约占所有筛查检出异常的10%~15%。根据美国放射学会（ACR）发布的乳腺影像报告和数据系统（BI-RADS）分类标准，不对称征象可进一步细分为四类：局灶性不对称、进展性不对称、不对称肿块及孤立性导管不对称，其中进展性不对称的恶性风险最高，可达10%~25%，显著高于普通局灶性不对称的2%~3%。

传统人工诊断模式下，乳腺不对称征象的判读高度依赖放射科医师的临床经验，不同医师间的诊断一致性Kappa值仅为0.52~0.68，处于中等一致水平。其诊断困境主要来自三方面：第一，不对称征象缺乏明确的边界和形态学特征，与正常乳腺实质密度差异较小，尤其在致密型乳腺中，腺体重叠容易造成假阳性诊断，研究显示致密型乳腺中不对称征象的假阳性率可高达30%以上；第二，良恶性不对称征象的影像学表现存在大量重叠，恶性病变早期可能仅表现为轻微的局灶性密度增高，而良性增生、术后瘢痕、乳腺腺病等也可出现类似进展性不对称的表现；第三，人工诊断难以实现精准的风