人工智能技术对乳腺微钙化灶分类的前瞻性观察研究

目前使用 BI-RADS 放射学等级对乳腺微钙化进行分类。 如果有可疑的微钙化（B3），建议进行活检评估以进行组织病理学评估。 然而，大约 70-80% 的活检显示良性组织学，不需要手术治疗。 核心活检是侵入性程序，具有生物、心理（患者不适）、组织和经济（对于医疗保健系统）成本。 因此，提高微钙化放射学分类的准确性至关重要。 最近，文献中报道了各种方法来检测数字乳房 X 线照片中的微钙化并将其分类为良性或可疑微钙化。 基于使用深度学习 (DL) 的分析方法也有望用于处理乳腺 X 线摄影图像。 卷积神经网络 (CNN) 目前是计算机视觉领域许多应用领域中图像分类的最新技术。 本研究旨在利用人工智能 (AI) 技术对乳腺 X 线摄影图像实施乳腺微钙化（良性或恶性）分类方法，评估该方法的诊断性能（准确性）。 评估将参照标准放射学方法（BI-RADS 分类）进行。

连同 AI 系统在乳腺 X 光成像中的应用，当前进一步的临床需求是开发一种诊断工具，该工具能够原位确定微钙化的生物分子特征，准确区分其性质，而无需取组织、固定和包埋样本石蜡，未经病理学家高度专业化评估。 从生物分子的角度来看，拉曼光谱 (RS) 是一种高度特异性的方法，同时它与体内测量兼容。 它包含一种生物光子方法，能够通过直接照射（通过激光）和同时采集发射信号来探索给定样品的分子组成。 RS 信息可以与成像特征相结合，以实现用于乳腺微钙化联合分类的 AI 模型