李欣，梁森，黄正南，夏晨，张荣国，吴孝掌，赖原仲

乳腺癌是女性群体中发病率最高的一类肿瘤。乳腺癌的早诊早筛有利于提升患者的5年生存率，具有重大的临床意义[1]。目前《中国抗癌协会乳腺癌诊治指南与规范(2017年版)》建议40～45岁的女性进行一年一次的乳腺癌筛查，45～69岁的女性每1～2年进行一次筛查，70岁以上每2年进行一次筛查，并指定使用钼靶作为主要的影像筛查手段，超声和MRI作为辅助方式[2]。钼靶X线对微钙化敏感，对肿块也具有良好的检测效果，而且还具有性价比高的优点。但就高致密乳腺而言，钼靶影像的病灶检出存在一定的局限[3]。上世纪80年代开始，研究者们陆续提出了一些计算机方法对钼靶图像进行辅助诊断[4-6]，此类算法大多基于传统的CAD算法。2014年以来，基于深度学习人工智能逐渐成为计算机视觉的主流方法论，研究者们利用深度学习算法使用大规模数据训练预测模型，在无需手动干预的情况下在包括乳腺钼靶影像[7-9]、眼底影像[10]、皮肤影像[11]、CT影像[12]、病理影像[13]等多个临床场景下实现了疾病的准确预测与分类。

本研究我们首先按照最新版BI-RADS(2013年)国际标准进行人工数据标记[14]，主要标记的病灶类型包括肿块、乳腺内淋巴结、圆形钙化、粗糙钙化、还有环形钙化。本文采用最新的深度学习病灶检测算法Faster R-CNN模型作为主要的算法结构[15]，训练并验证AI在乳腺X线影像的病灶检测效果。实验结果显示AI智能检测系统对肿块、乳腺内淋巴结、圆形钙化、环形钙化、粗糙钙化的检测敏感度分别达到76.4%，83.1%，71.2%，75.0%和64.9%。……