人工智慧在醫學影像分析 (三)：使用深度學習偵測乳房X光影像的病變

根據2019年衛生福利部公布國人10大死因統計結果[1]，我國女性因癌症致死第三名為乳癌。雖然並非首位致死癌症，但是女性因乳癌的死亡率卻逐年攀升[2]。2019年我國全民健保在乳癌方面的醫療費用支出更高達151億元[3]，僅次於首位的氣管、支氣管和肺癌。國民健康署的報告指出[4]，兩年一次乳房篩檢能夠降低41%的乳癌死亡率。同樣地，國外報導中[5]也提到被診斷出0期和1期的乳癌患者，五年內治癒存活率可達100%。但是隨著乳癌嚴重程度增加，患者治癒後存活率也會下降，在第4期乳癌患者五年內存活率則已降至22%。因此，「早期診斷，早期治療」絕非一句口號，而是從現有統計數據已獲得證實。然而，2017年我國45歲以上女性的乳癌篩檢率僅達40.7%[6]，遠低於美國篩檢率70%[7]、英國篩檢率74%[8]、和韓國篩檢率83.1%[9]。根據調查，臺灣女性不願進行乳癌篩檢的原因是因為怕痛、認為檢查耗費時間。

乳房X光攝影(mammography)是現今常見產生數位乳房影像的一種方式，拍攝後的數位乳房影像由合格且已授權的放射科醫師檢視影像內容是否有異常，這些乳房異常包括：腫塊(mass)、鈣化(calcifications)、結構變形(architectural distortion)、不對稱(asymmetry)。但是，檢視程序十分耗時且耗費人力，加上人為因素導致誤判，所以有人員建議以電腦輔助偵測軟體(computer aided detection，CADe)協助醫師判讀乳房影像。但是，現有電腦輔助偵測軟體多採用西方女性乳房影像訓練偵測模型，而東方女性乳房緻密度高於西方女性乳房，導致軟體對於東方女性乳房影像判讀錯誤，造成高假陽性(false positive)的問題。近年來，深度學習分析病變的位置、良惡性狀態，並解決高假陽性等問題。其中，卷積類神經網路(convolutional neural network， CNN)已使用在多種深度學習架構中，如：ResNet、DenseNet、VggNet等。

資策會數位所團隊深耕數位影像、視訊分析多年，自2017年起在賴欣怡副主任帶領下參與我國經濟部的「人工智慧產業關鍵技術拔尖計畫」，基於過往研發經驗導入深度學習架構，並且應用於乳房X光影像的分析。首要工作即是開發技術，能夠自動偵測乳房病變，並且將研發成果應用在醫療場域中，協助醫師精準、快速地判讀乳房X光影像。在腫塊偵測方面，採用DenseNet-121架構訓練辨識模型(如圖1所示)，透過計算乳房X光影像的類別激活映射圖(Class Activation Mapping)與閥值設定，進而偵測疑似腫塊的區域，如圖2(a)所示。同樣地，使用DenseNet-121和MobileNet-V2架構訓練惡性鈣化偵測模型(如圖3所示)。由於鈣化尺寸遠小於腫塊，採用單一模型偵測鈣化很容易造成高假陽性的問題，而兩種模型的特性不同，對於錯誤偵測處亦不盡相同，因此再透過模型集成將兩個模型偵測結果合併分析，其分析後的結果能夠大幅降低假陽性的問題，圖2(b)為疑似惡性鈣化的類別激活映射圖與偵測結果。藉由調整閥值方式，評估兩種病變偵測的最佳效能：在腫塊偵測方面，達到靈敏度(sensitivity)84%、特異度(specificity)88.5%、以及每張陰性影像錯誤偵測0.14個腫塊的效能；在疑似惡性鈣化偵測方面，達到靈敏度81.9%、特異度85.6%、以及每張陰性影像錯誤偵測0.07個疑似惡性鈣化的效能。圖4為乳房X光影像分析技術的研發團隊。

資料來源：自行繪製

圖1 採用DenseNet-121架構訓練腫塊辨識模型

資料來源：自行繪製

圖2 乳房X光影像的類別激活映射圖(Class Activation Mapping):(a)腫塊偵測，(b)惡性鈣化偵測

資料來源：自行繪製

圖3 使用DenseNet-121和MobileNet-V2架構訓練惡性鈣化偵測模型

資料來源：自行拍攝

圖4 乳房X光影像分析技術的研發團隊 

本文內容部分節錄自將於『2020年國際醫學資訊聯合線上研討會』發表的論文：「基於數位乳房X光影像運用深度學習實現乳房病變偵測與BI-RADS分類-應用於乳房陽性案例追蹤」。

參考文獻：

1. 衛生福利部統計處 (2020)，108年死因統計結果分析，https://dep.mohw.gov.tw/DOS/lp-4927-113.html

2. 衛生福利部統計處 (2017)，歷年女性乳癌 死亡人數、死亡率－按5歲年齡組分，https://www.mohw.gov.tw/dl-18542-b6d21d04-ab4b-4dff-b1d6-3257b321cb99.html

3. 衛生福利部中央健康保險署 (2020)，108年各類癌症健保前10大醫療支出統計，https://www.nhi.gov.tw/Content_List.aspx?n=AE8F3C1B6EC35217&topn=23C660CAACAA159D

4. 衛生福利部國民保健署 (2019)，降低乳癌四成死亡率，乳房攝影篩檢很重要，https://www.hpa.gov.tw/Pages/Detail.aspx?nodeid=3804&pid=11756

5. Timothy Huzar (2018), Life expectancy for stage 3 breast cancer, https://www.medicalnewstoday.com/articles/323177#life-expectancy-and-survival-rates

6. 重要性別資料庫，107年婦女乳房攝影檢查服務利用率-依年齡別，https://www.gender.ey.gov.tw/gecdb/Stat_Statistics_Query.aspx?sn=p%2fHy1Tg%2bt5fVCNw7Mh1eEQ%3d%3d&statsn=OR0v3mpqY4w1FJ99vq3ytw%3d%3d

7. Breast Cancer Screening (BCS), https://www.ncqa.org/hedis/measures/breast-cancer-screening/

8. Breast cancer diagnosis and treatment statistics, Cancer Research UK, https://www.cancerresearchuk.org/health-professional/cancer-statistics/statistics-by-cancer-type/breast-cancer/diagnosis-and-treatment

9. S. Y. Kang, Y. S. Kim, Z. Kim, H. Y. Kim, H. J. Kim, S. Park, S. Y. Bae, K. H. Yoon, S. B. Lee, S. K. Lee, K.-W. Jung, J. Han, and H. J. Youn, “Breast cancer statistics in Korea in 2017: data from a breast cancer registry,” Journal of Breast Cancer, vol.23, no.2, pp.115-128, 2020.