马明明，姜原，刘义，王祥鹏，黄嘉豪，张晓东，秦乃姗，王霄英

乳腺X线密度(mammographic density，MD)反映了乳腺中纤维腺体的相对数量，是乳腺癌的独立危险因素[1-2]。根据第5版乳腺影像报告和数据系统(Breast Imaging Reporting and Data System，BI-RADS)MD分为a、b、c、d四型，但在临床应用时，读片专家间的一致性不高(Kappa=0.57，95%CI 0.53～0.61)[3]，不同级别医师之间的一致性从较差到中等(Kappa值0.396～0.604)[4]。为了实现MD分类的临床意义和评价一致性，常有研究将乳腺密度进行二分类，即将a型和b型分为非致密组；将c型和d型分为致密组[5-6]。致密组乳腺的女性患乳腺癌风险高于非致密组，患乳腺癌风险是非致密组乳腺女性的4～6倍[7]，因此在乳腺X线报告中对致密组和非致密组的分类是很重要的。近年来很多研究者使用算法测量MD，试图对MD自动判断，但结果仍有提升的空间[8]。本研究旨在训练深度学习模型，期望能用来可靠地评估MD密度分组，并将结果自动接入到结构化报告系统中，实现在临床工作中自动报告乳腺密度分组。

图1 模型预测结果自动填写入结构化报告的工作流程。

材料与方法

本研究获得了伦理审查委员会的批准(批件号：[2017(1382)])，按照本单位人工智能(AI)模型训练规范执行研究方案。

1.用例定义

根据本单位AI训练管理方法，首先定义研发乳腺钼靶X线检查投照体位和腺体密度分类模型的用例。包括：模型的ID、临床问题、场景描述、模型在实际工作中的调用流程、模型输入输出数据结构等。AI模型返回结果定义为：腺体密度分型“BIRADS-a、b、c、d”。MD分类模型预测结果返回到结构化报告中的“整体评估”模块(图1)。……