广泛导管内成分(EIC)定义为浸润性乳腺癌中存在≥25%的导管原位癌(DCIS)，是保乳术后局部肿瘤复发的独立危险因素。此外，术前全身治疗可能不适合EIC患者。因此，早期术前EIC预测将为乳房外科医生提供治疗计划的宝贵信息。

多项研究调查了与EIC相关的影像学特征，并报道超声或乳腺钼靶检查的敏感性为36-80%。磁共振成像(MRI)的检测灵敏度高于常规成像(82-84.9%)。MRI对EIC的检测效果较好，但在乳腺癌诊断的标准检查中并未得到应用。因此，开发一种使用乳腺钼靶检查预测EIC的方法，其结果与MRI相当，可以为每一位被诊断为乳腺癌的患者提供重要的信息，而无需额外的医疗费用。

人工智能(AI)在乳腺钼靶中用于病变检测、肿瘤分类和风险分层。研究显示，放射图像中的大多数深度学习(DL)研究都集中在一个特定的任务上，而整体方法的趋势是提供一种自动方法来模拟放射科医生的工作。目前，人工智能系统被设计用于钼靶中同时检测病变和预测乳腺癌。

近日，发表在European Radiology杂志的一项研究开发了一种多任务深度学习(DL)算法用于自动分类乳腺钼靶成像结果并预测浸润性乳腺癌中广泛导管内成分(EIC)的存在。

本项研究下载了2010 - 2019年浸润性乳腺癌的乳腺钼靶图像，供两名放射科医生进行图像分割和影像学结果注释。图像被随机分为训练、验证和测试数据集。在神经网络上进行多任务方法，主要用于预测EIC和对成像结果进行分类。另外还训练了三个模型进行比较，包括单任务模型(预测EIC)、双任务模型(预测EIC和细胞受体状态)和三任务模型(结合上述任务)。此外，这些模型在浸润性导管癌亚组中进行训练。采用DeLong检验检验模型性能的差异。

本研究在3076张图像上招募了1459名乳腺癌患者。EIC阳性率为29.0%。三任务模型是最佳的深度学习模型，在图像和乳房(患者)水平上EIC预测的曲线下面积(AUC)分别为0.758和0.775。肿块是最准确的影像学表现(AUC = 0.915)，其次是钙化和肿块合并钙化(AUC分别为0.878和0.824)。细胞受体状态预测精度较低(AUC = 0.625-0.653)。与单任务模型相比，多任务方法提高了模型训练效果，但效果不显著。

 表 深度学习模型的接收者工作特征曲线(AUC)下的区域之间的差异，显示使用DeLong检验计算的p值

本项研究表明，基于乳腺钼靶的多任务深度学习模型可以同时进行影像学发现分类和EIC预测。

原文出处：

Huei-Yi Tsai,Yu-Wei Kao,Jo-Ching Wang,et al.Multitask deep learning on mammography to predict extensive intraductal component in invasive breast cancer.DOI:10.1007/s00330-023-10254-6