背景
外科切除仍是早期乳腺癌治疗的主要治愈手段，超过95%的原发性乳腺癌女性患者接受了某种形式的手术治疗。乳腺手术中独特的组织微环境和美容挑战需要先进的可视化和定量技术来协助外科医生在手术前可视化每位患者的解剖结构。因此，我们开发了一种人工智能算法（TumorSight Viz，版本1.3），该算法可以从患者的动态对比增强MRI（DCE-MRI）重建患者的3D数字孪生体，以实现手术前患者解剖结构的可视化和量化。
方法
在本研究中，我们对267名早期乳腺癌患者进行了AI算法的回顾性多机构临床试验，以评估其基于AI的标志点识别和测量的准确性，并与放射科医生对疾病大小和位置的评估进行比较。具体而言，我们将AI算法与真实值的偏差与3名美国认证、研究员培训背景的乳腺放射科医生（13-15年经验）测量的标志点特征之间的偏差进行了比较。简言之，真实值是通过多案例、多读片者研究确立的，其中放射科医生：（1）测量感兴趣的数量，包括肿瘤在3个解剖轴上的维度，以及疾病与胸壁、乳头和皮肤的最接近距离；（2）批准由训练有素的标注员手动分割的肿瘤区域。算法生成的分割结果与真实值直接进行比较。
结果
我们发现，AI算法与真实值测量之间的变异与独立放射科医生之间的变异在所有标志点测量方面处于同一数量级（见表）。特别值得注意的是，我们发现AI算法在肿瘤最长维度测量中的平均偏差仅为1.27厘米（而放射科医生间的平均偏差为1.02厘米），肿瘤体积的平均绝对误差为4.13立方厘米，表面Dice系数平均值为0.92（表明AI算法与放射科医生之间的空间一致性较强）。算法性能被发现在不同临床和成像亚组中均表现稳定，包括T分期（T1-T4）、组织学（激素受体[HR]阳性/HER2阴性、HR阳性/HER2阳性、HR阴性/HER2阳性、三阴性乳腺癌）、MRI制造商（GE、西门子、飞利浦）或磁场强度（1.5T、3T）。此外，该算法在MRI上传到基于云的软件后，平均能在8分钟内为每位患者生成这些特征。
结论
综上所述，这些发现表明该AI算法是一种临床适用的软件，能够以放射科医生间变异性范围内的精度稳健地识别标志点特征和测量结果。这些3D肿瘤的详细描绘既提供了癌症拓扑结构的定性评估，也提供了定量评估，可能有助于患者疾病的管理。
【全文结束】