简介：摘要目的建立预测不同病理进展期乳腺导管原位癌（DCIS）预后的模型，并评估其效能。方法回顾性分析2014年11月至2020年12月深圳市人民医院、北京大学深圳医院、深圳市罗湖区人民医院接受乳腺X线摄影检查的273例不同进展期乳腺DCIS患者的完整病例资料。患者均为女性，年龄26~86（49±11）岁。其中110例纳入单纯DCIS+乳腺导管原位癌伴微浸润（DCIS-MI）组，163例纳入浸润性导管癌伴导管原位癌（IDC-DCIS）组，对患者临床、影像及病理特征进行分析。影像特征提取采用乳腺Mammo AI融合模型及基于深度学习的自然语言处理（NLP）技术的诊断报告结构化模型。对各组患者按照6∶4比例通过Python软件随机分为训练集和验证集，以单因素分析和多因素logistic回归分析筛选预测因子，选择赤池信息量准则值最小者构建预测模型。绘制受试者操作特征曲线评估预测模型效能。结果单纯DCIS+DCIS-MI组以雌激素受体（-）或人表皮生长因子受体2（3+）为预后不良参考标准，预后不良62例，预后良好48例；IDC-DCIS组以诺丁汉预后指数为参考标准，预后不良33例，预后中等73例，预后良好57例。单纯DCIS+DCIS-MI组中，DCIS核分级、乳腺X线摄影可疑形态钙化、DCIS病理亚型、伴微浸润共4个预测因子被用于建立模型；IDC-DCIS组中，神经/脉管侵犯、Ki67水平、DCIS分子亚型、DCIS成分占比、乳腺X线摄影伴随征象共5个预测因子被用于建立模型。训练集中模型预测单纯DCIS+DCIS-MI预后不良的曲线下面积（AUC）为0.92（95%CI 0.84~1.00），验证集中为0.90（95%CI 0.82~0.99）；训练集中模型预测IDC-DCIS预后不良的AUC为0.84（95%CI 0.76~0.93），验证集为0.78（95%CI 0.64~0.91）。结论基于深度学习联合NLP所建立的模型能有效预测不同病理进展期DCIS预后状态，有利于DCIS风险分层，为临床决策提供参考。

简介：摘要目的探讨基于乳腺X线摄影的深度学习技术鉴别乳腺影像报告和数据系统（BI-RADS）3类与4类疾病的价值。方法回顾性分析2020年1至12月在深圳市人民医院及深圳市罗湖区人民医院乳腺X线摄影评估为BI-RADS 3类及4类305例患者的临床及影像资料。305例患者共314个病灶，均为女性，年龄21~83（47±12）岁。按1∶1比例交叉、简单随机分配给2名工作经验分别为5年及6年普通影像诊断医师（普通医师A、普通医师B）和2名工作经验均为21年且经过专业乳腺影像培训的乳腺影像诊断医师（专业医师A、专业医师B）单独阅片，之后分别结合深度学习系统再次阅片，最终将乳腺病变重新分为BI-RADS 3类或4类。采用受试者操作特征曲线及曲线下面积（AUC）评价诊断效能，以DeLong法比较AUC的差异。结果普通医师A结合深度学习系统重新分类BI-RADS 3类与4类乳腺病灶的AUC较普通医师A单独诊断明显提高（AUC分别为0.79、0.63，Z=2.82、P=0.005）；普通医师B结合深度学习系统重新分类BI-RADS 3类与4类乳腺病灶的AUC较普通医师B明显提高（AUC分别为0.83、0.64，Z=3.32、P=0.001）。专业医师A结合深度学习系统与专业医师A、专业医师B结合深度学习系统与专业医师B重新分类BI-RADS 3类与4类乳腺病灶的AUC差异均无统计意义（P>0.05）。结论基于乳腺X线摄影的深度学习系统辅助普通医师鉴别BI-RADS 3类与4类疾病的效能更显著。