深度学习提高乳腺癌筛查早期检测

深度学习技术的快速发展引发了将其应用于医学影像问题的广泛兴趣。本文中，我们开发了一种深度学习算法，该算法能够通过“端到端”训练方法高效利用包含完整临床注释或仅图像整体癌症状态（标签）的数据集，在筛查乳腺X线摄影中准确检测乳腺癌。“端到端”方法在初始训练阶段需要病灶注释，而在后续阶段仅需图像级别的标签，从而消除了对罕见病灶注释的依赖。我们的全卷积网络方法在分类筛查乳腺X线摄影方面取得了优异的表现，优于以往的方法。在独立测试集上，使用来自数字乳腺X线摄影数据库（Digital Database for Screening Mammography, DDSM）的数字化胶片乳腺X线摄影图像，最佳单模型达到了每张图像0.88的AUC值，而四模型平均则将AUC值提高到了0.91（敏感性：86.1%，特异性：80.1%）。在来自INbreast数据库的全视野数字乳腺X线摄影（Full-Field Digital Mammography, FFDM）图像验证集上，最佳单模型达到了每张图像0.95的AUC值，而四模型平均则将AUC值提高到了0.98（敏感性：86.7%，特异性：96.1%）。此外，我们还证明了使用“端到端”方法在DDSM数字化胶片乳腺X线摄影数据上训练的整体图像分类器可以通过仅使用INbreast数据的一部分进行微调，并且无需进一步依赖病灶注释即可迁移到INbreast FFDM图像。这些发现表明，自动化的深度学习方法可以轻松地在不同的乳腺X线摄影平台上进行训练以达到高精度，并且具有巨大的潜力来改进临床工具，减少假阳性和假阴性的筛查结果。