众所周知，可解释性对于人工智能(AI)在放射学中的伦理应用至关重要，这一要求可能会通过美国和欧洲的法规得到体现。这与许多高性能放射学人工智能算法的设计相冲突，这些算法对开发人员和放射科医生来说都是黑盒子，可能导致对算法的过度依赖和不正确的诊断。乳腺癌的临床风险预测模型没有考虑乳腺钼靶图像数据，尽管最近的人工智能研究报告在使用乳腺钼靶图像数据时显着提高了性能。

最近令人感兴趣的案例是Mirai，这是一种深度学习神经网络，通过对56786名患者的乳腺钼靶检查进行训练，预测短期(最多5年)乳腺癌风险。Mirai结果在三大洲七家医院的数据上进行了外部验证。稳健的表现表明Mirai已经捕获了关键信息，可以补充现有的临床风险模型。然而，Mirai的预测很难解释，因为Mirai由卷积神经网络(CNN)和变压器组成，这是两种不同的复杂架构。神经网络如GradCAM和GradCAM++的事后解释是不可靠的，并且由于Mirai的独特架构，这些方法并不适用。因此据我们所知，在本项工作之前，没有人解释过Mirai的推理过程。

近日，发表在Radiology杂志上的一篇研究确定了双侧不相似性在支持Mirai推理过程中的应用，并利用双侧不相似性创建了一个简化的、易于理解的模型AsymMirai，并进一步确定了AsymMirai在1-5年乳腺癌风险预测中的表现。

本项回顾性研究涉及了2013年1月至2020年12月期间EMory乳腺成像数据集(EMBED)中患者的乳腺钼靶图像。为了从Mirai中近似预测1-5年的乳腺癌风险，并在另一个基于深度学习的模型AsymMirai建立了一个可解释的模块:局部双侧不相似性(左右乳腺组织之间的局部差异)。研究计算了Mirai和AsymMirai风险评分之间的Pearson相关系数，并对AsymMirai逐年推理一致的患者进行亚组分析。采用受试者工作特征曲线下面积(AUC)比较AsymMirai和Mirai风险评分，并采用DeLong法计算95% CI。

研究纳入81824例患者(平均年龄59.4岁±11.4 [SD])的乳腺钼靶图像(n = 210067张)。深度学习提取的双侧不相似性产生的风险评分与Mirai相似(1年风险预测，r = 0.6832;4-5年预测，r = 0.6988)，并取得了与Mirai相似的性能。对于AsymMirai, 1年乳腺癌风险AUC为0.79 (95% CI: 0.73, 0.85) (Mirai, 0.84;95% CI: 0.79, 0.89;P = 0.002)，5年风险AUC为0.66 (95% CI: 0.63, 0.69) (Mirai, 0.71;95% CI: 0.68, 0.74;P < 0.001)。在183名患者的亚组中，随着时间的推移，AsymMirai反复突出同一组织，AsymMirai的3年AUC为0.92 (95% CI: 0.86, 0.97)。

 表 验证数据集中患者的描述性统计

本项研究表明，局部双侧不相似是乳腺癌风险的影像学标记，与Mirai的预测能力相近，是Mirai推理的关键。

原文出处：

Jon Donnelly,Luke Moffett,Alina Jade Barnett,et al.AsymMirai: Interpretable Mammography-based Deep Learning Model for 1-5-year Breast Cancer Risk Prediction.DOI:10.1148/radiol.232780