基于双模态MRI数据和人工智能方法的乳腺癌新辅助化疗评估

Neoadjuvant chemotherapy(NAC) is important in the optimal treatment of breast cancer and is increasingly used nowadays .Different classification of therapeutic effects could lead different subsequent treatment and prognosis, therefore, it would be beneficial to clinical practice if an early evaluation system for NAC therapeutic effect could be identified. Breast MRI is more accurate and specific than mammography or ultrasound in assessing treatment response after NAC and considered to be the best choice in monitoring NAC response recently. Dynamic contrast-enhanced MR(DCE-MR) as well as other Functional Magnetic Resonance Imaging(fMRI) such as Diffusion-weighted imaging (DWI) are more promising. Unfortunately,they might both overestimate or underestimate the effect of NAC . Computer-aided diagnosis (CAD) will help to find the characteristic features which were not discovered through naked eyes, then quantify them, and finally reach the comprehensive and objective results. Our previous studies found that CAD can improve the accuracy and objectivity through analyzing multimodality images of the breast tumors. In this project, we aim to analyze parameters and the texture features of dualmodality images (DCE-MRI and DWI), then find the comprehensive and objective parameters which will help in predicting pathological response to NAC. It can be hoped that CAD will provide a new approach for evaluation of the response to NAC .

新辅助化疗（NAC）现已成为乳腺癌治疗的重要组成部分，其疗效直接影响到患者的后续治疗及患者的预后情况。因此，早期准确评价NAC的疗效尤为重要。相比超声和钼靶检查，MR的准确率、特异性均较高，已成为评估NAC疗效的首选方法。MR增强扫描及弥散成像均在疗效评估中体现出一定的优势，但是仍存在一定的假阳性及假阴性，可重复性不够理想。计算机辅助诊断技术能够挖掘和量化不同模态影像信息中潜在特征，从而得到客观、综合的全方位分析和评价模型。我们前期研究发现通过对多模态乳腺影像特征的数字化分析，能够提高乳腺肿瘤诊断的客观性和准确性。本研究拟通过计算机辅助分析新辅助化疗前后乳腺癌双模态（包括DCE-MRI和DWI）的不同指标和纹理特征参数，获得综合定性及定量指标，建立评价乳腺癌新辅助化疗的量化标准，为乳腺癌新辅助化疗早期疗效评估提供一个新的方向。

本研究旨在利用不同模态MR图像构建评价乳腺癌新辅助化疗(NAC)中病理完全反应(pCR)否的计算机辅助诊断(CAD)系统模型，进一步比较CAD模型与放射科医生的诊断差异，不同层次放射科医生的附加价值，探讨CAD系统对不同分子分型乳腺癌的诊断效能。.我们分析了455个肿块，使用U-Net网络和ResNet进行核磁共振成像（MRI）分割和pCR分类,构建了CAD模型。通过受试者操作特征曲线分析，比较放射科医生、计算机辅助系统以及放射科医生和计算机辅助系统组合在诊断pCR方面的性能。利用另一组数据493例患者的470例肿块构建了另一个CAD模型，利用U-Net分割肿瘤，提取了肿瘤的13个形状特征和48个纹理特征。输入到支持向量机中，进行pCR或非pCR分类，构建模型。比较了不同水平的放射科医师和CAD系统的诊断性能。评估CAD系统的附加价值，并根据肿瘤分子分型进行亚组分析。.在放射科医生和计算机辅助系统联合预测pCR的效果最好，诊断性能最佳，曲线下面积（AUC）值达0.899；放射科医生单独预测的结果，AUC值为0.700；计算机辅助系统单独预测的结果，AUC为0.835。CAD系统显示出与高级放射科医生相当的特异性(83.29%vs84.15%，p=0.488)和曲线下的可比面积(AUC)(0.839vs.0.835, p=0.452).在CAD系统辅助下，所有放射科医生的表现均有显著改善(P<0.05)，初级放射科医生与高级放射科医生在CAD辅助下在敏感性、特异性和准确性方面无统计学差异(p>0.05)。三阴性（TN）患者识别pCR的AUC值显著(0.883, 95%CI: 0.801-0.964, p<0.001)..CAD可用于预测乳腺癌患者新辅助化疗的pCR，并可补充MRI诊断效能。本研究中评估的CAD系统提高了不同层次放射科医生的诊断水平。乳腺癌的分子分型是影响CAD诊断性能的潜在因素。