目的：比較放射組學(xué)分析（RA）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）對(duì)放射科醫(yī)師在多參數(shù)乳腺M(fèi)RI中將造影劑增強(qiáng)病變分類(lèi)為良性或惡性的診斷性能。

材料和方法：2011年8月至2015年8月，447例患者共1294個(gè)增強(qiáng)病灶（787個(gè)惡性，507個(gè)良性；中值大小為15 mm ±20）。病灶由一名乳腺放射科醫(yī)師手動(dòng)分割。通過(guò)使用L1正則化和主成分分析進(jìn)行RA。CNN使用了34層的深度殘差神經(jīng)網(wǎng)絡(luò)。所有算法還在一半數(shù)量的病灶上重新訓(xùn)練（n=647）。將機(jī)器判讀與三位乳腺放射科醫(yī)師的前瞻性判讀進(jìn)行比較。參考標(biāo)準(zhǔn)為組織學(xué)分析或隨訪(fǎng)。受試者工作曲線(xiàn)下面積（AUC）用于比較診斷性能。

結(jié)果：在全隊(duì)列上訓(xùn)練的CNN優(yōu)于在半隊(duì)列上訓(xùn)練的CNN（AUC分別為0.88和0.83；P=.01），但RA和L1正則化沒(méi)有差異（AUC分別為0.81和0.80；P=.76）或RA和主成分分析（AUC分別為0.78和0.78；P=.93）。通過(guò)使用完整隊(duì)列，CNN性能（AUC，0.88；95%可信區(qū)間：0.86，0.89）優(yōu)于RA和L1正則化（AUC，0.81；95%置信區(qū)間：0.79，0.83；P<.001）和RA及主成分分析（AUC，0.78；95%置信區(qū)間：0.76，0.80；P<.001）。然而，CNN不如乳腺放射學(xué)家的解釋?zhuān)ˋUC，0.98；95%置信區(qū)間：0.96，0.99；P<.001）。

結(jié)論：在多參數(shù)乳腺M(fèi)RI中，卷積神經(jīng)網(wǎng)絡(luò)對(duì)乳腺?gòu)?qiáng)化病變的良惡性分類(lèi)優(yōu)于放射組學(xué)分析。兩種方法都不如放射科醫(yī)師的表現(xiàn)；然而，更多的訓(xùn)練數(shù)據(jù)會(huì)進(jìn)一步提高卷積神經(jīng)網(wǎng)絡(luò)的性能，但不會(huì)提高放射組學(xué)算法的性能。

MRI是診斷和篩查乳腺癌的有力工具[1]。然而， M 由于提供這種方法的站點(diǎn)有限，乳腺M(fèi)RI的廣泛使用受到了限制。提供有限服務(wù)的一個(gè)主要原因是缺乏可以在解釋乳腺M(fèi)r圖像方面具有豐富的專(zhuān)業(yè)知識(shí)的放射科醫(yī)生。

復(fù)雜的機(jī)器學(xué)習(xí)方法有望補(bǔ)充人類(lèi)診斷（2）。從廣義上講，機(jī)器學(xué)習(xí)可以分為兩大類(lèi)：一類(lèi)是放射組學(xué)分析（RA），提取手工制作的圖像特征；另一個(gè)是卷積神經(jīng)網(wǎng)絡(luò)（CNN）的概念，在該概念中，計(jì)算機(jī)通?；谝唤M已標(biāo)記的訓(xùn)練示例來(lái)自行學(xué)習(xí)識(shí)別圖像特征。盡管在不同的領(lǐng)域，這兩種方法在圖像解釋方面都取得了相當(dāng)大的成功：在診斷放射學(xué)領(lǐng)域，RA已成功用于進(jìn)一步分類(lèi)腫瘤類(lèi)型（3，4）。然而，細(xì)胞神經(jīng)網(wǎng)絡(luò)在達(dá)到臨床上有用的性能之前需要更大的訓(xùn)練圖像池。

在放射學(xué)中，乳房成像，特別是乳房攝影篩查，有助于與CNN一起使用，因?yàn)轭?lèi)似的大數(shù)據(jù)集是可用的（5，6）。有了這么大的乳房攝影數(shù)據(jù)集，隨著計(jì)算能力的提高，深度學(xué)習(xí)可能有潛力超越常規(guī)的計(jì)算機(jī)輔助診斷系統(tǒng)來(lái)進(jìn)行乳房攝影解釋?zhuān)?）。

關(guān)于使用RA或CNNs對(duì)造影劑增強(qiáng)的乳腺病變進(jìn)行診斷分類(lèi)（即良性與惡性病變的鑒別診斷）的研究有限。Bickelhaupt等人（7）使用機(jī)器學(xué)習(xí)來(lái)進(jìn)一步表征在數(shù)字乳房攝影圖像上發(fā)現(xiàn)的可疑癌癥病變，并為此使用未增強(qiáng)和擴(kuò)散加權(quán)MRI。然而，使用RA或CNNs對(duì)常規(guī)、臨床、動(dòng)態(tài)造影劑增強(qiáng)或多參數(shù)乳腺M(fèi)RI中觀察到的增強(qiáng)病變進(jìn)行分類(lèi)尚未建立。

因?yàn)槿榉縈RI比乳房攝影篩查進(jìn)行得少，所以可用的乳房MRI數(shù)據(jù)集較小而不是當(dāng)前用于CNN分析醫(yī)學(xué)（和非醫(yī)學(xué)）圖像的數(shù)據(jù)集?？紤]到這一點(diǎn)，以及動(dòng)態(tài)對(duì)比增強(qiáng)MRI與數(shù)字乳腺攝影（例如）相比更復(fù)雜的性質(zhì)，我們有興趣通過(guò)使用臨床環(huán)境中可獲得的MRI數(shù)據(jù)集體積來(lái)了解CNNs與RA相比的表現(xiàn)。

因此，我們研究的目的是確定三種不同的機(jī)器學(xué)習(xí)算法（放射組學(xué)分析的兩種變體，L1正則化和主成分分析，以及卷積神經(jīng)元網(wǎng)絡(luò)）的性能，并與放射科醫(yī)師在多參數(shù)動(dòng)態(tài)對(duì)比增強(qiáng)MRI中對(duì)增強(qiáng)病變進(jìn)行分類(lèi)的性能進(jìn)行比較。

材料和方法

獲得了當(dāng)?shù)貦C(jī)構(gòu)審查委員會(huì)的批準(zhǔn)。患者提供書(shū)面知情同意書(shū)，以便對(duì)其影像數(shù)據(jù)進(jìn)行分析。

我們的研究評(píng)估了2011年8月至2015年8月期間進(jìn)行的乳腺M(fèi)RI檢查，并由學(xué)術(shù)乳腺中心的放射科醫(yī)師進(jìn)行前瞻性解釋。?

為了生成分析隊(duì)列，我們首先從我們的圖像存檔和通信系統(tǒng)中選擇了2011年8月至2015年8月期間在我們科室接受乳腺M(fèi)RI檢查的患者。該搜索獲得了5687例乳腺M(fèi)RI檢查。從這個(gè)隊(duì)列中，我們隨機(jī)檢索了1000名患者。然后，我們排除了不符合以下標(biāo)準(zhǔn)的乳腺M(fèi)RI研究：（a）未表現(xiàn)出增強(qiáng)病變或其他（B）最終診斷未驗(yàn)證或其他（C）無(wú)法明確劃分為二元分類(lèi)類(lèi)別（即良性或惡性）的乳腺M(fèi)RI研究（圖1）。通過(guò)組織病理學(xué)分析（MRI將所有病變歸類(lèi)為乳腺影像報(bào)告和數(shù)據(jù)系統(tǒng)[BIRADS]第4、5或6類(lèi)）或至少24個(gè)月的無(wú)異常MRI（對(duì)于MRI分類(lèi)為BI-RADS 2或3類(lèi)的所有病變）隨訪(fǎng)進(jìn)行驗(yàn)證 。為了提供明確的診斷事實(shí)（無(wú)論是惡性還是良性），我們排除了邊緣性（即高風(fēng)險(xiǎn)）病變的患者。

為了避免在同一患者中進(jìn)行重復(fù)觀察，以免由于病變間的相關(guān)性而混淆結(jié)果，在具有多個(gè)相同類(lèi)型的增強(qiáng)病變（例如，多中心癌或多發(fā)性纖維腺瘤）的患者中，我們每個(gè)乳腺僅包括一種類(lèi)型的增強(qiáng)病變（例如，僅一種浸潤(rùn)性癌）。

將所有算法的數(shù)據(jù)分為訓(xùn)練、驗(yàn)證和分析數(shù)據(jù)，以患者的方式進(jìn)行，在外環(huán)中進(jìn)行10倍交叉驗(yàn)證，在內(nèi)環(huán)中進(jìn)行5倍交叉驗(yàn)證，分別將72%/18%/10%的數(shù)據(jù)分為獨(dú)立的訓(xùn)練集、驗(yàn)證集和分析集。外環(huán)中的10次折疊中的每一次都會(huì)產(chǎn)生一個(gè)評(píng)分，該分?jǐn)?shù)表示算法為10%的病變分配的惡性概率。因?yàn)槲募A之間的分析集是不相交的，并且它們的聯(lián)合覆蓋了整個(gè)集合，所以我們得到了所有病變的評(píng)分。拆分的更詳細(xì)描述附錄E1（在線(xiàn)）中提供了流程。

根據(jù)先前公布的標(biāo)準(zhǔn)化方案（8），進(jìn)行了多參數(shù)對(duì)比增強(qiáng)雙側(cè)乳腺M(fèi)RI。簡(jiǎn)而言之，該方案由軸向雙側(cè)T2加權(quán)快速自旋回波和軸向雙側(cè)動(dòng)態(tài)序列組成，該動(dòng)態(tài)序列由五個(gè)動(dòng)態(tài)階段（造影劑給藥前的一個(gè)階段和造影后的四個(gè)階段）組成，無(wú)脂肪抑制。在所有造影后階段進(jìn)行圖像減影。乳腺M(fèi)RI研究由三個(gè)不同的讀者（D.T.、 S.S.和C.K.，在解釋乳腺M(fèi)RI研究方面具有7至25年的經(jīng)驗(yàn)）以大致相同的比例進(jìn)行前瞻性解釋。除了通常的整體BI-RADS分類(lèi)外，MRI報(bào)告還在每個(gè)病變的基礎(chǔ)上列出了BI-RADS類(lèi)別，以促進(jìn)不同乳腺成像模式中特定病變管理的交流。

所有計(jì)算均在配備英特爾酷睿i7–7700K處理器（英特爾，加利福尼亞州圣克拉拉）和NVIDIA?GTX 1080 Ti GPU（NVIDIA?，加利福尼亞州圣克拉拉）的臺(tái)式計(jì)算機(jī)上執(zhí)行。除非另有說(shuō)明，代碼實(shí)現(xiàn)是基于Python 3.6.5（https：//www.python.org）和軟件模塊NumPy、 SciPy和SkLearn（9）的內(nèi)部開(kāi)發(fā)。

病變由一名乳腺放射科醫(yī)師（S.S.，具有15年解釋乳腺M(fèi)RI研究的經(jīng)驗(yàn)）手動(dòng)分割。為了進(jìn)行分割，放射科醫(yī)師首先查看所有圖像，以確定最適合查看病變邊界的圖像。在減影圖像上（在沒(méi)有運(yùn)動(dòng)的情況下）或在非減影源圖像上（在由于運(yùn)動(dòng)而存在減影誤差的情況下）執(zhí)行分割。在逐段的基礎(chǔ)上分割病變，直到捕獲完整的病變體積并獲得三維病變體積。接下來(lái)，感興趣的區(qū)域被傳播到所有剩余的序列，在這些序列上病變沒(méi)有被直接分割。為了確保患者之間圖像信號(hào)強(qiáng)度的可比性，使用N4ITK（10）對(duì)所有圖像進(jìn)行偏置場(chǎng)校正，并將圖像強(qiáng)度重新縮放到0–511的固定范圍。

對(duì)于每個(gè)病變，通過(guò)使用Pyradiomics（11）工具箱提取統(tǒng)計(jì)、形狀和紋理特征。通過(guò)19個(gè)統(tǒng)計(jì)特征量化病變內(nèi)的圖像強(qiáng)度分布。提取的紋理特征在灰度共生矩陣（27個(gè)特征）、灰度游程長(zhǎng)度矩陣（16個(gè)特征）和灰度尺寸區(qū)域矩陣（16個(gè)特征）上計(jì)算。分別為T(mén)2加權(quán)圖像、第一次（對(duì)比前）動(dòng)態(tài)采集的減影圖像和四次對(duì)比后動(dòng)態(tài)采集的減影圖像提取統(tǒng)計(jì)特征和紋理特征，得到總共133個(gè)統(tǒng)計(jì)特征和413個(gè)紋理特征?？傊?，在分割掩模的基礎(chǔ)上，提取16個(gè)形狀特征來(lái)評(píng)估病變的空間屬性。所有圖像特征的詳細(xì)定義可在網(wǎng)上找 到（http://pyradiomics.readthedocs.io/en/latest/features.HTML）。

為了選擇一個(gè)合適的特征子集，既限制規(guī)模和不相關(guān)，以下兩種不同的特征選擇策略進(jìn)行了評(píng)估：（a）L1正則化：通過(guò)線(xiàn)性分類(lèi)器的L1正則化隱式地選擇特征。L1正則化使得線(xiàn)性模型的系數(shù)具有稀疏解,導(dǎo)致模型中所選特征的子集很??；以及（B）主成分分析，其中100個(gè)特征的子集是基于它們?cè)趨^(qū)分訓(xùn)練集中的惡性和良性病變的能力來(lái)選擇的（即，通過(guò)表現(xiàn)出最低的p值），隨后，對(duì)這些特征進(jìn)行主成分分析，并將得到的前10個(gè)主成分用作輸入。附錄E1（在線(xiàn)） 以及表E1和E2（在線(xiàn)）中提供了有關(guān)特征選擇策略以及硬件和軟件使用的詳細(xì)信息。

我們使用了之前描述的網(wǎng)絡(luò)架構(gòu)（12）。簡(jiǎn)而言之，深度殘差神經(jīng)網(wǎng)絡(luò)（ResNet18）（13）在日常物體（14）的14，000，000張彩色照片的數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練，以使深層對(duì)潛在相關(guān)的結(jié)構(gòu)信息（如邊緣和線(xiàn)條）敏感。附錄E1（在線(xiàn)）中提供了網(wǎng)絡(luò)架構(gòu)的詳細(xì)信息。通過(guò)使用隨機(jī)旋轉(zhuǎn)和翻轉(zhuǎn)進(jìn)行數(shù)據(jù)增強(qiáng)。我們使用隨機(jī)梯度下降的動(dòng)量為0.9，衰減學(xué)習(xí)率開(kāi)始于0.001（每七個(gè)時(shí)期減少0.05倍）。

因?yàn)榫W(wǎng)絡(luò)是在彩色圖像上預(yù)先訓(xùn)練的，所以它期望三個(gè)輸入通道。為了確定7個(gè)可用序列中的哪個(gè)子集應(yīng)該被輸入，測(cè)試了所有35個(gè)可能的三個(gè)組合。

統(tǒng)計(jì)分析

對(duì)于樣本量的計(jì)算，我們使用了一項(xiàng)關(guān)于RA的研究（7）的結(jié)果，對(duì)未增強(qiáng)乳腺M(fèi)RI圖像中發(fā)現(xiàn)的病變進(jìn)行分類(lèi)。在該研究中，總共包括127個(gè)病變，曲線(xiàn)下面積（AUC）為0.85。為了在α誤差為0.05和β誤差為0.2的情況下檢測(cè)AUC改善0.05，對(duì)于良性和惡性病變患者的同等分配，至少702個(gè)病變的樣本量被認(rèn)為是必要的（15）。然而，因?yàn)槲覀兲幚淼氖菍?duì)比增強(qiáng)乳腺M(fèi)RI，并且打算使用CNN而不是單獨(dú)使用RA，所以我們計(jì)劃包括至少1000個(gè)增強(qiáng)病變。

為了比較算法和放射科醫(yī)師讀數(shù)的準(zhǔn)確性，在最小度量的截止值的基礎(chǔ)上計(jì)算各自的敏感性和特異性值m =（12靈敏度）2 +（1-特異性）2（圖2，3）。基于算法的給定數(shù)值和相應(yīng)的BI-RADS類(lèi)別，計(jì)算相應(yīng)的受試者工作特征的AUC。對(duì)于后者，BI-RADS類(lèi)別4-6被認(rèn)為是測(cè)試陽(yáng)性，其余的被認(rèn)為是測(cè)試陰性。

為了評(píng)估對(duì)基礎(chǔ)數(shù)據(jù)集大小的依賴(lài)性，RA的兩種變體（主成分分析和L1正則化）和CNNs在一半大小的數(shù)據(jù)集（447名患者中的224名和1294個(gè)病變中的647個(gè)，其中393個(gè)病變?yōu)閻盒裕┥现匦掠?xùn)練，并重新分析AUC。像以前一樣進(jìn)行交叉驗(yàn)證的拆分。

如Litjens等人（16）（圖E1[在線(xiàn)]）所述，通過(guò)使用100000倍重采樣的Bootstrap分析計(jì)算標(biāo)準(zhǔn)偏差和置信區(qū)間。根據(jù)Bonferroni（17），算法之間兩兩比較的顯著性水平設(shè)置為0.05/6，以調(diào)整六個(gè)兩兩比較。

敏感性和特異性的置信區(qū)間計(jì)算基于二項(xiàng)分布的正態(tài)近似。?

由于大多數(shù)大于2 cm的增強(qiáng)病變是惡性的，因此對(duì)小于2 cm的病變進(jìn)行了額外的敏感性分析（n=823）。

結(jié)果

最終的分析隊(duì)列包括447名患者的雙側(cè)乳腺M(fèi)RI數(shù)據(jù)集（平均年齡66.0歲±10.3[標(biāo)準(zhǔn)差]；年齡范圍為26.7-82.0歲），接受MRI檢查的適應(yīng)癥詳見(jiàn)圖1；患者人口統(tǒng)計(jì)資料如表1所示。

共識(shí)別并分割1294個(gè)增強(qiáng)病灶，其中良性病灶507個(gè)（39.2%），惡性病灶787個(gè)（60.8%），平均每個(gè)乳腺產(chǎn)生1.4個(gè)不同類(lèi)型的增強(qiáng)病灶。病變類(lèi)型的描述見(jiàn)表2。所有強(qiáng)化病灶的平均大小為15mm±20； 惡性病變，19mm±22；浸潤(rùn)性癌，16mm±15；導(dǎo)管原位癌，34mm±29。良性 病 變 的 平 均 大 小 為11mm±13（圖E2[在線(xiàn)]）。

通過(guò)L1正則化的RA得到47個(gè)相關(guān)圖像特征的較小子集。其中，六個(gè)是從T2加權(quán)圖像導(dǎo)出的紋理和統(tǒng)計(jì)特征，一個(gè)是形狀特征（球度），而其余的 39個(gè)特征是基于動(dòng)態(tài)序列的紋理和統(tǒng)計(jì)特征。即使在懲罰冗余特征的使用之后，對(duì)于減影圖像中的像素強(qiáng)度的平均絕對(duì)偏差、魯棒平均絕對(duì)偏差和四分位間距范圍，也發(fā)現(xiàn)了最高的特征間相關(guān)性，這或多或少地表明了腫瘤增強(qiáng)的不均勻性。在早期和晚期圖像的增強(qiáng)程度中發(fā)現(xiàn)了類(lèi)似的塊，提供了關(guān)于增強(qiáng)動(dòng)力學(xué)的信息。RA和主成分分析的選擇特征在性質(zhì)上相似（兩種放射組學(xué)方法的詳細(xì)信息見(jiàn)附錄E1[在線(xiàn)]）。

表3中提供了AUC，靈敏度，特異性和相應(yīng)的95%置信區(qū)間。

CNN的訓(xùn)練用了1350秒。根據(jù)包含病變的切片數(shù)量，單個(gè)病變的預(yù)測(cè)時(shí)間從66毫秒到528毫秒不等。在輸入CNN的三個(gè)輸入通道的7個(gè)可能的圖像中，提供最好結(jié)果的序列是預(yù)反差和第一、第三個(gè)后反差動(dòng)態(tài)序列。?

乳腺放射科醫(yī)師的讀數(shù)得出的AUC為0.98±0.01.圖4-6和圖E3（在線(xiàn)）顯示了正確和錯(cuò)誤分類(lèi)的乳腺病變的示例圖像。被放射科醫(yī)師的讀數(shù)歸類(lèi)為假陰性結(jié)果的三個(gè)惡性病變中，沒(méi)有一個(gè)被三個(gè)計(jì)算機(jī)算法中的任何一個(gè)正確識(shí)別。

兩種不同的RA方法的AUC無(wú)統(tǒng)計(jì)學(xué)顯著差異（P=.04），RA采用L1正則化（AUC，0.81），RA采用主成分分析（AUC， 0.78）。CNN的AUC（AUC，0.88）顯著高于兩種RA方法（兩種比較，P，.001），但仍顯著低于人類(lèi)讀者（AUC，0.98；P，001）（表3；圖2a，3）。

當(dāng)將分析限制到小于2cm的病變時(shí)，觀察到基本上相同的結(jié)果（圖2B）。?

對(duì)于采用L1正則化的RA和采用主成分分析的RA，與完全訓(xùn)練隊(duì)列相比，將訓(xùn)練損傷數(shù)量減半并不會(huì)導(dǎo)致AUC的顯著差異 （對(duì)于半規(guī)模與全規(guī)模隊(duì)列的訓(xùn)練，RA和L1正則化P=0.05，[AUC，0.80]；RA 和 主 成 分 分 析P=0.06，[AUC，0.78]）。對(duì)于CNN來(lái)說(shuō)，當(dāng)半規(guī)模和全規(guī)模隊(duì)列訓(xùn)練相比時(shí)，AUC顯著不同（AUC，0.83；P=.01）。

討論

我們對(duì)乳腺M(fèi)RI研究的分析證實(shí)，存在編碼病變惡性的放射學(xué)特征，可通過(guò)RA和深度學(xué)習(xí)算法提取。然而，盡管努力調(diào)整兩種放射組學(xué)方法（L1正則化或主成分分析），但放射組學(xué)診斷準(zhǔn)確性低于CNN，L1正則化或主成分分析的AUC分別為0.78和0.81，而CNN的AUC為0.88（兩種比較的P值均為.001）。盡管RA和CNN的診斷準(zhǔn)確性可以被認(rèn)為在臨床可接受的范圍內(nèi)（18-21），但它們都遠(yuǎn)遠(yuǎn)不能與乳腺放射科醫(yī)師的表現(xiàn)相匹配，后者的AUC為0.98。還應(yīng)當(dāng)注意，機(jī)器學(xué)習(xí)算法的診斷性能指的是由放射科醫(yī)師識(shí)別的病變的分類(lèi)；因此，算法的計(jì)算靈敏度反映了它們將預(yù)先確定的惡性病變正確分類(lèi)為惡性病變的性能，但不包括它們?cè)诎l(fā)現(xiàn)或檢測(cè)惡性病變方面的性能。

我們的結(jié)果表明，CNNs似乎是對(duì)增強(qiáng)病變進(jìn)行分類(lèi)的更有發(fā)展前景的候選者：盡管在擴(kuò)大可用的訓(xùn)練數(shù)據(jù)集后，兩種RA方法的性能都沒(méi)有改善，但在半尺寸隊(duì)列與全尺寸隊(duì)列訓(xùn)練后觀察到相似的AUC（L1分別為0.80和0.81），CNN算法的AUC確實(shí)從0.83顯著提高到0.88。這意味著RA表現(xiàn)出其可達(dá)到精度的所謂飽和曲線(xiàn)； 一組固定的手工放射學(xué)特征所包含的信息量可能無(wú)法區(qū)分惡性和良性乳腺病變之間更細(xì)微的差異。然而，卷積神經(jīng)網(wǎng)絡(luò)由于其更復(fù)雜和易于擴(kuò)展的結(jié)構(gòu)，可能能夠模仿放射科醫(yī)生解釋MR圖像時(shí)發(fā)生的難以捉摸和潛意識(shí)的過(guò)程。

因此，有理由假設(shè)在我們的CNN模型中包括甚至更多的數(shù)據(jù)，和/或更復(fù)雜的數(shù)據(jù)增強(qiáng)方法，例如生成對(duì)抗性神經(jīng)網(wǎng)絡(luò)（22），將進(jìn)一步改善我們的CNN模型的結(jié)果。?

我們的結(jié)果在與醫(yī)學(xué)成像的其他領(lǐng)域進(jìn)行比較時(shí)是可信的，例如皮膚病變的解釋?zhuān)渲蠧NNs已經(jīng)達(dá)到了使用RA無(wú)法達(dá)到的診斷準(zhǔn)確性水平（23）。在放射學(xué)領(lǐng)域，Kooi等人（5）證明，在篩查乳房X線(xiàn)照片的大數(shù)據(jù)集上訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)優(yōu)于最先進(jìn)的計(jì)算機(jī)輔助檢測(cè)軟件（即使用RA原理的算法）。在我們的研究中，相對(duì)較低的病例數(shù)足以實(shí)現(xiàn)相對(duì)較高的CNNs診斷準(zhǔn)確性。這可能是因?yàn)槲覀兪褂昧擞山?jīng)驗(yàn)豐富的乳腺放射科醫(yī)師提供的高質(zhì)量注釋數(shù)據(jù)進(jìn)行培訓(xùn)。?

在我們的隊(duì)列中，乳腺放射科醫(yī)師所達(dá)到的診斷準(zhǔn)確性反映了乳腺M(fèi)RI報(bào)告的診斷準(zhǔn)確性范圍的上限，這部分是因?yàn)槲覀冄芯康氖且粋€(gè)惡性病變發(fā)病率高的人工隊(duì)列。很明顯，診斷的準(zhǔn)確性水平將隨著乳腺癌的高患病率而變化（即更高）。在我們的研究中，放射科醫(yī)師的診斷準(zhǔn)確性相對(duì)較高的另一個(gè)原因是，我們的部門(mén)收到了大量的乳腺M(fèi)RI轉(zhuǎn)診，因此這些讀者在解釋乳腺M(fèi)R圖像方面獲得了豐富的經(jīng)驗(yàn)。?

我們的研究有幾個(gè)局限性。首先，在我們的研究中，敏感性是指由放射科醫(yī)師預(yù)先識(shí)別和分割的病變的正確分類(lèi)。第二，我們的MR檢查采用標(biāo)準(zhǔn)化協(xié)議，而不同機(jī)構(gòu)的脈沖序列協(xié)議各不相同；因此，經(jīng)訓(xùn)練的算法可能無(wú)法對(duì)來(lái)自其他采集協(xié)議的數(shù)據(jù)實(shí)現(xiàn)相同的精度。最后，通過(guò)使用生成對(duì)抗性網(wǎng)絡(luò)（22）的高級(jí)數(shù)據(jù)增強(qiáng)可以幫助將網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整為更合適的三維方法，以合并所有可用的成像序列，并且我們的算法僅使用所描述的三個(gè)子集。

總之，在多參數(shù)乳腺M(fèi)RI增強(qiáng)病變的分類(lèi)中，CNN優(yōu)于放射組學(xué)算法。即使使用有限的訓(xùn)練數(shù)據(jù)集，用CNN實(shí)現(xiàn)的診斷準(zhǔn)確性似乎也達(dá)到了臨床可接受的水平。盡管CNN不如乳腺放射科醫(yī)師，但隨著未來(lái)更多更大數(shù)據(jù)集的出現(xiàn)，CNN方法可能有潛力提高其性能。