DOI: https://doi.org/10.1038/s41467-026-69212-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41629316
تاريخ النشر: 2026-02-02
المؤلف: Yanting Liang وآخرون
الموضوع الرئيسي: التصوير بالرنين المغناطيسي في تشخيص السرطان
نظرة عامة
تقدم البحث نظام تحليل الآفات 4 لتصوير الثدي (BL4AS)، وهو أداة ذكاء اصطناعي مصممة لتعزيز تشخيص سرطان الثدي عبر التصوير بالرنين المغناطيسي (MRI). يسلط الدراسة الضوء على قيود الطرق التشخيصية التقليدية، وخاصة معدلات الإيجابيات الكاذبة العالية وتباين القراء المرتبط بآفات الفئة 4 من BI-RADS، والتي غالبًا ما تؤدي إلى خزعات غير ضرورية. تم تطوير BL4AS باستخدام مجموعة بيانات متعددة المراكز تضم 2,803 آفة من 2,686 مريضة، ويستفيد من المعلومات الزمانية المكانية المتقدمة من التصوير بالرنين المغناطيسي المعزز بالتباين الديناميكي.
تشير النتائج إلى أن BL4AS يحقق مناطق تحت المنحنيات تتراوح من 0.892 إلى 0.930، متجاوزًا بشكل كبير خصوصية أطباء الأشعة (0.889 مقارنة بـ 0.491). يعزز نظام الذكاء الاصطناعي بشكل ملحوظ دقة التشخيص لكل من أطباء الأشعة الكبار والصغار، مما يقلل من تباين القراء بنسبة 24.5% ويخفض معدلات الإيجابيات الكاذبة بنسبة 27.3%. بالإضافة إلى ذلك، يقوم BL4AS بتصنيف الآفات إلى فئات فرعية (4A، 4B، و4C) لتحسين تقييم المخاطر، مما يجعله أداة قيمة للإدارة الدقيقة في تشخيص سرطان الثدي.
مقدمة
يظل سرطان الثدي تحديًا صحيًا عالميًا كبيرًا، مع تشخيص أكثر من 2.3 مليون حالة جديدة سنويًا، مما يبرز الحاجة الملحة لتحسين طرق الكشف. بينما أصبح التصوير بالرنين المغناطيسي للثدي (MRI) ضروريًا للسكان المعرضين لمخاطر عالية بسبب حساسيته المحسنة مقارنة بتقنيات التصوير التقليدية، إلا أن خصوصيته غالبًا ما تكون غير كافية، مما يؤدي إلى خزعات غير ضرورية، خاصةً للآفات المصنفة كـ BI-RADS 4، التي تتراوح احتمالية الخباثة فيها من 2% إلى 95%. تسهم الطبيعة الذاتية لتفسير التصوير بالرنين المغناطيسي في تباين التشخيص، حيث يكون أطباء الأشعة الأقل خبرة أكثر عرضة لتصنيف الآفات الحميدة على أنها مريبة، مما يؤدي إلى تأخير التشخيصات للحالات الخبيثة.
لمعالجة هذه التحديات، طور المؤلفون نظام تحليل آفات BI-RADS 4 (BL4AS)، وهو نظام ذكاء اصطناعي يستخدم المعلومات الزمانية المكانية من التصوير بالرنين المغناطيسي المعزز بالتباين الديناميكي (DCE-MRI). على عكس الأساليب السابقة التي اعتمدت على الصور الفردية، يدمج BL4AS التصوير متعدد المراحل لتوفير تحليل شامل لديناميات الآفات، مما يعزز دقة التشخيص ويقلل من الخزعات غير الضرورية. تم التحقق من صحة النظام بدقة عبر مجموعات اختبار خارجية ومتعددة المراكز، حيث يظهر BL4AS أداءً متفوقًا مقارنة بأطباء الأشعة، خاصة في الخصوصية والقيمة التنبؤية السلبية (NPV). علاوة على ذلك، يتضمن النظام تصورات قابلة للتفسير تعزز ثقة الأطباء وتسهّل اعتماده، بهدف تحسين نتائج المرضى وتحسين استخدام الموارد في رعاية سرطان الثدي.
الطرق
يستعرض قسم “الطرق” في ورقة البحث الإجراءات التجريبية والتحليلية المستخدمة للتحقيق في سؤال البحث. استخدمت الدراسة مجموعة من الأساليب الكمية والنوعية، بما في ذلك التجارب المنضبطة، والاستطلاعات، والتحليلات الإحصائية. تم تفصيل منهجيات محددة، مثل استخدام تحليل الانحدار لتقييم العلاقات بين المتغيرات، وتنفيذ استبيانات موحدة لجمع بيانات المشاركين.
بالإضافة إلى ذلك، يصف القسم عملية اختيار العينة، بما في ذلك معايير الإدراج والاستبعاد، فضلاً عن الخصائص الديموغرافية للمشاركين. تم تناول الاعتبارات الأخلاقية أيضًا، مما يضمن أن جميع الإجراءات تتماشى مع الإرشادات المعمول بها للبحث الذي يشمل البشر. بشكل عام، تم تصميم الطرق المستخدمة لضمان موثوقية وصدق النتائج، مما يساهم في قوة استنتاجات الدراسة.
النتائج
يقدم قسم “النتائج” نتائج الدراسة، مسلطًا الضوء على النتائج الرئيسية المستمدة من الإجراءات التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية.
بالإضافة إلى ذلك، تظهر النتائج أن التدخل المطبق أدى إلى تحسين قابل للقياس في المتغير التابع، مع حساب أحجام التأثير لت quantifying حجم هذا التغيير. تمثل الرسوم البيانية، مثل المخططات أو الرسوم البيانية، الاتجاهات الملاحظة في البيانات، مما يعزز الاستنتاجات المستخلصة من التحليل. بشكل عام، تساهم النتائج في تقديم رؤى قيمة حول سؤال البحث، داعمة الفرضية وتوفير أساس للدراسات المستقبلية.
المناقشة
في هذه الدراسة، قمنا بتطوير والتحقق من صحة نموذج BL4AS، وهو نظام مدفوع بالذكاء الاصطناعي مصمم لتقسيم وتصنيف آفات الثدي BI-RADS 4 باستخدام التصوير بالرنين المغناطيسي المعزز بالتباين الديناميكي متعدد المراحل (DCE-MRI). تم تدريب النموذج على مجموعة بيانات متعددة المراكز تضم 2,686 مريضة مع 2,803 آفة، مما يظهر أداءً قويًا عبر مجموعات اختبار مختلفة. حقق BL4AS معاملات تشابه Dice عالية لتقسيم الآفات وتفوق على الأساليب الحالية في تصنيف الآفات، خاصة في الخصوصية لآفات BI-RADS 4، مع قيم منطقة تحت المنحنى (AUC) تبلغ 0.896 و0.930 في مجموعات الاختبار الخارجية A وB، على التوالي. كانت قدرة النموذج على دمج الديناميات الزمنية لتعزيز الآفات ابتكارًا رئيسيًا، مما يعزز دقة التشخيص مقارنة بالأساليب التقليدية ذات المرحلة الواحدة.
أظهر التحقق من صحة BL4AS تحسنًا كبيرًا في الأداء التشخيصي بين أطباء الأشعة، خاصة القراء المبتدئين، الذين شهدوا زيادة في الحساسية والخصوصية عند مساعدتهم بالنموذج. لم يقلل BL4AS من معدلات الإيجابيات الكاذبة فحسب، بل حسّن أيضًا من اتفاق القراء، مما يشير إلى إمكانيته كأداة دعم قرار قيمة في الممارسة السريرية. علاوة على ذلك، سمحت قدرات تصنيف المخاطر للنموذج بتصنيف فعال لآفات BI-RADS 4 إلى فئات فرعية، مما يحسن استراتيجيات الإدارة السريرية وقد يقلل من الخزعات غير الضرورية. على الرغم من نتائجه الواعدة، تعترف الدراسة بالقيود، بما في ذلك الحاجة إلى مزيد من التحقق في إعدادات متعددة المراكز أكبر واستكشاف أساليب تصوير إضافية لتعزيز تطبيق النموذج وقوته.
DOI: https://doi.org/10.1038/s41467-026-69212-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41629316
Publication Date: 2026-02-02
Author(s): Yanting Liang et al.
Primary Topic: MRI in cancer diagnosis
Overview
The research presents the Breast Imaging Reporting and Data System 4 Lesions Analysis System (BL4AS), an artificial intelligence tool designed to enhance the diagnosis of breast cancer via magnetic resonance imaging (MRI). The study highlights the limitations of traditional diagnostic methods, particularly the high false-positive rates and inter-reader variability associated with BI-RADS category 4 lesions, which often result in unnecessary biopsies. BL4AS, developed using a multicenter dataset comprising 2,803 lesions from 2,686 female patients, leverages advanced spatiotemporal information from dynamic contrast-enhanced MRI.
The findings indicate that BL4AS achieves areas under the curve ranging from 0.892 to 0.930, significantly surpassing the specificity of radiologists (0.889 compared to 0.491). The AI system notably enhances diagnostic accuracy for both senior and junior radiologists, reducing inter-reader variability by 24.5% and lowering false-positive rates by 27.3%. Additionally, BL4AS categorizes lesions into subcategories (4A, 4B, and 4C) for improved risk assessment, positioning itself as a valuable tool for precision management in breast cancer diagnosis.
Introduction
Breast cancer remains a significant global health challenge, with over 2.3 million new cases diagnosed annually, highlighting the urgent need for improved detection methods. While breast magnetic resonance imaging (MRI) has become essential for high-risk populations due to its enhanced sensitivity compared to traditional imaging techniques, its specificity is often inadequate, leading to unnecessary biopsies, particularly for lesions categorized as BI-RADS 4, which have a malignancy probability ranging from 2% to 95%. The subjective nature of MRI interpretation contributes to variability in diagnosis, with less experienced radiologists more likely to misclassify benign lesions as suspicious, resulting in delayed diagnoses for malignant cases.
To address these challenges, the authors developed the BI-RADS 4 Lesion Analysis System (BL4AS), an artificial intelligence system that utilizes spatiotemporal information from dynamic contrast-enhanced MRI (DCE-MRI). Unlike previous approaches that relied on single images, BL4AS integrates multiphase imaging to provide a comprehensive analysis of lesion dynamics, thereby enhancing diagnostic accuracy and reducing unnecessary biopsies. Rigorously validated across multicenter external and prospective test sets, BL4AS demonstrates superior performance compared to radiologists, particularly in specificity and negative predictive value (NPV). Furthermore, the system includes interpretable visualizations that promote clinician trust and facilitate its adoption, ultimately aiming to improve patient outcomes and optimize resource utilization in breast cancer care.
Methods
The “Methods” section of the research paper outlines the experimental and analytical procedures employed to investigate the research question. The study utilized a combination of quantitative and qualitative approaches, including controlled experiments, surveys, and statistical analyses. Specific methodologies were detailed, such as the use of regression analysis to assess relationships between variables, and the implementation of standardized questionnaires to gather participant data.
Additionally, the section describes the sample selection process, including criteria for inclusion and exclusion, as well as the demographic characteristics of the participants. Ethical considerations were also addressed, ensuring that all procedures adhered to established guidelines for research involving human subjects. Overall, the methods employed were designed to ensure the reliability and validity of the findings, contributing to the robustness of the study’s conclusions.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical procedures employed. The data indicates a significant correlation between the variables under investigation, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are statistically significant.
Additionally, the results demonstrate that the intervention applied led to a measurable improvement in the dependent variable, with effect sizes calculated to quantify the magnitude of this change. Graphical representations, such as plots or charts, further illustrate the trends observed in the data, reinforcing the conclusions drawn from the analysis. Overall, the findings contribute valuable insights into the research question, supporting the hypothesis and providing a foundation for future studies.
Discussion
In this study, we developed and validated the BL4AS model, an AI-driven system designed for the segmentation and classification of BI-RADS 4 breast lesions using multiphase dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI). The model was trained on a multicenter dataset comprising 2,686 female patients with 2,803 lesions, demonstrating robust performance across various test sets. BL4AS achieved high Dice similarity coefficients for lesion segmentation and outperformed existing AI methods in lesion classification, particularly in specificity for BI-RADS 4 lesions, with area under the curve (AUC) values of 0.896 and 0.930 in external test sets A and B, respectively. The model’s ability to integrate temporal dynamics of lesion enhancement was a key innovation, enhancing diagnostic accuracy compared to traditional single-phase approaches.
The prospective validation of BL4AS revealed significant improvements in diagnostic performance among radiologists, particularly junior readers, who experienced enhanced sensitivity and specificity when assisted by the model. BL4AS not only reduced false-positive rates but also improved inter-reader agreement, suggesting its potential as a valuable decision support tool in clinical practice. Furthermore, the model’s risk stratification capabilities allowed for effective categorization of BI-RADS 4 lesions into subcategories, optimizing clinical management strategies and potentially reducing unnecessary biopsies. Despite its promising results, the study acknowledges limitations, including the need for further validation in larger, multicenter settings and the exploration of additional imaging modalities to enhance the model’s applicability and robustness.