磁共振成像（MRI）是诊断乳腺疾病的一种成熟的临床成像方式。美国放射学会乳腺成像报告和数据系统（BI-RADS）提供了一种描述乳腺病变特征的通用语言，放射科医生可以对其进行解读并对病变进行最终评分，表明其恶性的可能性。然而，对于无法明确典型恶性或良性特征的病变，如BI-RADS 3和4A类的病变，阅读者之间的一致性较差。

Kaiser评分（KS）是一个基于MRI BI-RADS描述符的机器学习衍生的临床决策规则，提供了一个直观的流程图结构，可引导读者进行逐步的病变评估。KS值范围为1至11，数值越高说明恶性肿瘤的风险越大，KS也可以转化为BI-RADS。如果一个病变的KS值大于4，则建议进行活检。

扩散加权成像（DWI）是一种常用的平扫MRI技术，通过描述水分子的扩散情况评估组织的微观结构，表观扩散系数（ADC）是对扩散性的定量测量。由于细胞密度较高，与良性病变相比，恶性病变的ADC值较低。许多研究试图定义良性和恶性乳腺病变的区分阈值，以及区分浸润性癌症和非浸润性原位导管癌（DCIS）。由于ADC的诊断价值已被证实，如何将其与KS结合起来诊断乳腺癌将成为一个十分有临床前景的研究领域。

近日，发表在European Radiology杂志的一项研究评估了使用表观弥散系数（ADC）调整的Kaiser评分（KS）（KS+）和机器学习（ML）模型的乳腺癌诊断性能，为准确的进行风险分层及减少不必要的活检提供了技术支持。

本研究纳入了一个由402个恶性病变和257个良性病变组成的数据集进行评估。由两位放射科医生分配了KS。如果一个KS>4的病变的ADC>1.4×10^-3 mm²/s，KS降低为4，成为KS+。为了将ADC的全谱作为一个连续变量，KS和ADC值被用来用5种ML算法训练诊断模型。使用ROC分析评估其性能，并通过DeLong测试进行比较。使用KS>4、KS+>4和ADC≤1.4×10^-3 mm²/s的阈值获得敏感性、特异性和准确性，并通过McNemar检验进行比较。 

KS、KS+和所有ML模型的ROC曲线在0.883-0.921的范围内具有可比性，明显高于ADC（0.837，P < 0.0001）。KS的灵敏度=97.3%，特异性=59.1%；而KS+的灵敏度=95.5%，特异性明显提高到68.5%（P < 0.0001）。然而，当设置在相同的灵敏度97.3%时，KS+不能提高特异性。在ML分析中，逻辑回归模型的表现最好。在敏感性=97.3%和特异性=65.3%时，即与KS相比，可以避免16个假阳性，而不影响真正的乳腺癌诊断（p = 0.0015）。 

图 使用读者2的KS和KS+评分、ADC值以及使用机器学习算法建立的逻辑回归模型预测乳腺癌概率所产生的ROC曲线

本研究表明，当使用ADC来修改KS到KS+时，诊断的特异性得到了提高（9.4-9.7%），敏感性略有下降（1.5-1.8%）；而总体准确性得到了提高（2.6-2.9%）。在ROC分析中，KS、KS+和所有ML模型在AUC方面没有显示出明显的差异。当KS和连续ADC值被用来训练ML模型时，可在保持高灵敏度的同时进一步提高诊断性能。

 

原文出处：

Zhong-Wei Chen,You-Fan Zhao,Hui-Ru Li,et al.Assessment of breast lesions by the Kaiser score for differential diagnosis on MRI: the added value of ADC and machine learning modeling.DOI:10.1007/s00330-022-08899-w