基于多模态超声图像的深度学习在鉴别诊断乳腺良恶性肿块中的应用OA

目的探讨基于单独B型(B-mode)、应变弹性成像(strain elastography,SE)、自动乳腺全容积成像(automated breast volume scanner,ABVS)、联合B型和SE(B-mode+SE)、联合B型和ABVS(B-mode+ABVS)、联合SE和ABVS(SE+ABVS)以及联合B型、SE和ABVS(B-mode+SE+ABVS)图像所构建的不同深度学习(deep learning,DL)模型对辅助诊断乳腺良恶性肿块的效能。方法回顾性分析2021年8月至2023年8月在华中科技大学协和深圳医院超声科进行乳腺肿块超声检查的病例。对所纳入的病例的超声图像进行数据预处理,包括肿块范围、感兴趣区分割和数据增强。将图像输入多模态交互融合模型训练,运用DL的方法,构建鉴别乳腺良恶性肿块的7种DL模型,分别是B-mode-DL、SE-DL、ABVS-DL、B-mode+SE-DL、B-mode+ABVS-DL、SE+ABVS-DL和B-mode+SE+ABVS的多模态DL(Mutimodal-DL)模型。采用受试者工作特征(receiver operating characteristic,ROC)曲线的曲线下面积(area under the curve,AUC)对DL模型的诊断效能进行评价。结果纳入508例病例,采用简单随机抽样方法分为训练集284例(良性250例,恶性34例)和测试集224例(良性199例,恶性25例)。7种DL模型中,Multimodal-DL模型诊断乳腺良恶性肿块的准确度、敏感度和特异度均最高,分别为95.4%、95.2%和95.5%,与其他模型比较差异均具有统计学意义(均P<0.05);AUC和Youden指数也最高,分别为0.955和0.907。结论基于多模态超声图像所建立的DL模型对乳腺良恶性肿块的鉴别效果最好。