يُعد فحص سرطان الثدي، الذي يُجرى بشكل أساسي عبر التصوير الشعاعي للثدي، مدعوماً غالباً بالموجات فوق الصوتية لدى النساء ذوات الكثافة النسيجية العالية للثدي. إلا أن النماذج الحالية للتعلم العميق تقوم بتحليل كل وسيلة تصوير بشكل مستقل، مما يفوّت فرصة دمج المعلومات عبر الوسائط الزمنية المختلفة. في هذه الدراسة، نقدم المحول متعدد الوسائط (MMT)، وهو شبكة عصبية تستفيد من التصوير الشعاعي للثدي والموجات فوق الصوتية بشكل تكاملي، لتحديد المرضى المصابين حالياً بالسرطان وتقدير خطر الإصابة المستقبلية لدى المرضى الخالين حالياً من السرطان. يقوم MMT بتجميع البيانات متعددة الوسائط عبر آلية الانتباه الذاتي، ويتتبع التغيرات النسيجية الزمنية من خلال مقارنة الفحوصات الحالية مع الصور السابقة. بعد تدريبه على 1.3 مليون فحص، يحقق MMT مساحة تحت منحنى ROC (AUROC) قدرها 0.943 في كشف السرطانات الحالية، متفوقاً على النماذج أحادية الوسيط. أما في توقع خطر الإصابة خلال خمس سنوات، فقد بلغ AUROC للنموذج 0.826، متجاوزاً النماذج السابقة المعتمدة على التصوير الشعاعي للثدي. تبرز نتائجنا أهمية دمج التصوير متعدد الوسائط والطولي في تشخيص السرطان وتحديد المخاطر.
سرطان الثدي، التعلم العميق، التصوير الشعاعي للثدي، الموجات فوق الصوتية، بيانات متعددة الوسائط
يُعد سرطان الثدي السبب الرئيسي للوفاة بالسرطان بين النساء على مستوى العالم. يهدف فحص سرطان الثدي إلى اكتشاف الورم في مراحله المبكرة، مما يسمح بتحقيق نتائج علاجية أفضل. على الرغم من الانتشار الواسع للتصوير الشعاعي الرقمي الكامل للثدي (FFDM) والتصوير المقطعي للثدي (DBT)، إلا أن حوالي 75% فقط من سرطانات الثدي تُشخّص عبر التصوير الشعاعي . تعود هذه المحدودية إلى أن النسيج الكثيف للثدي قد يخفي الأورام الصغيرة ويقلل من حساسية التصوير الشعاعي إلى 61-65% لدى النساء ذوات الكثافة النسيجية العالية . تحتاج هؤلاء النساء إلى فحوصات تكميلية لتعويض قصور التصوير الشعاعي. وتُعد الموجات فوق الصوتية خياراً شائعاً نظراً لتوفرها وتكلفتها المنخفضة وعدم احتوائها على إشعاع. ورغم أن الموجات فوق الصوتية تزيد من معدلات اكتشاف السرطان بمقدار 3-4 لكل 1000 امرأة ، إلا أن ذلك يأتي على حساب انخفاض النوعية، وزيادة معدلات الاستدعاء إلى 7.5-10.6% ، وانخفاض القيم التنبؤية الإيجابية إلى 9-11% ، مما يؤدي إلى فحوصات تشخيصية وخزعات غير ضرورية. وتوفر تقنيات الذكاء الاصطناعي فرصاً لتحسين الدقة من خلال الاستخدام التكاملي للتصوير الشعاعي والموجات فوق الصوتية.
تم تطبيق نماذج التعلم العميق لدعم فحص سرطان الثدي، سواء في كشف السرطانات الحالية أو في توقع خطر الإصابة المستقبلي . وقد قدمت عدة دراسات رائدة إسهامات كبيرة في هذا المجال؛ حيث أظهرت أن الشبكات العصبية الالتفافية (CNNs) تضاهي أداء أطباء الأشعة في الفحص وتحتفظ بقدرتها على التعميم عبر الدول. كما اقترحت نظام "ميراي" (Mirai)، وهو نظام ذكاء اصطناعي يستخدم التصوير الشعاعي وعوامل الخطر السريرية لتوقع خطر الإصابة المستقبلي بسرطان الثدي. وأظهرت أن الذكاء الاصطناعي يمكن أن يقلل من معدلات الإيجابيات الكاذبة بنسبة 37.3% في تفسير صور الموجات فوق الصوتية للثدي دون التأثير على الحساسية.
رغم هذه التطورات، هناك محدوديتان رئيسيتان: أولاً، تركز الأعمال السابقة غالباً على وسيلة تصوير واحدة، متجاهلة الأنماط المشتركة التي لا تظهر إلا من خلال دمج عدة وسائط تصويرية. في المقابل، يعتمد أطباء الأشعة عادةً على وسائل تصوير تكميلية للوصول إلى التشخيص بدقة أعلى . ثانياً، تتجاهل الأعمال السابقة أهمية الصور السابقة، رغم أن المقارنة مع الصور الشعاعية السابقة ثبت أنها تقلل بشكل كبير من معدلات الاستدعاء وتزيد من معدلات اكتشاف السرطان والقيمة التنبؤية الإيجابية .
في هذه الدراسة، نقدم نظام ذكاء اصطناعي قادراً على الرجوع إلى الصور السابقة ودمج المعلومات من كل من التصوير الشعاعي والموجات فوق الصوتية. لهذا النظام وظيفتان أساسيتان: كشف السرطانات الحالية وتوقع خطر الإصابة المستقبلي.
نصوغ تشخيص سرطان الثدي كمهمة تصنيف تسلسلي. لنرمز إلى الفحص التصويري بـ \(S_i\)، ويحتوي على صور \(I_i^1, I_i^2, ..., I_i^{l_i}\)، حيث \(l_i\) هو عدد الصور في الفحص \(S_i\). نرمز إلى نوع وسيلة التصوير بـ \(m_i\)، وزمن إجراء الفحص بـ \(t_i\). لكل فحص \(S_i\) فحوصات سابقة \(S_i^1, S_i^2, \ldots, S_i^{r_i}\) لنفس المريضة، أُجريت في نفس الوقت أو قبله \(t_i^1, t_i^2, ..., t_i^{r_i} \leq t_i\)، حيث \(r_i\) هو عدد الفحوصات السابقة. هدفنا بناء نظام ذكاء اصطناعي يأخذ التسلسل \(Q_i = \{S_i, S_i^1, S_i^2, ..., S_i^{r_i}\}\) كمدخل، ويقدم سلسلة من التنبؤات الاحتمالية \(\hat{y}_i^j \in [0,1]\) تعبر عن احتمال وجود ورم خبيث خلال 120 يوماً (\(j=0\)) وكل سنة من 1 إلى 5 سنوات (\(j=\text{1, 2, ..., 5}\)) من زمن الفحص \(t_i\).
هناك تحديان رئيسيان: أولاً، لكل مريضة تاريخ فحوصات فريد (وبالتالي مجموعة وسائط تصويرية مختلفة) وعدد متغير من الصور. يجب أن يكون النموذج قادراً على التعامل مع هذا التباين. ثانياً، تظهر الأورام الخبيثة بأنماط بصرية متنوعة عبر الوسائط المختلفة، ويجب على النموذج التقاط هذا الطيف ودمج النتائج عبر الوسائط.
نقترح المحول متعدد الوسائط (MMT) لمعالجة التحديات المذكورة. كما هو موضح في الشكل 1، ينتج MMT تنبؤات حول وجود السرطان عبر ثلاث مراحل. أولاً، يطبق MMT كواشف متخصصة بكل وسيلة تصوير لاستخلاص متجهات السمات من المناطق المشتبه بها في الصور. ثانياً، يدمج هذه السمات مع تمثيلات متجهية للمتغيرات غير الصورية. وأخيراً، تُغذى السمات بعد التضمين إلى مشفر محول (Transformer Encoder) لرصد التغيرات الزمنية في أنماط النسيج ودمج المعلومات متعددة الوسائط وإنتاج التنبؤات. فيما يلي شرح مفصل لكل خطوة.
توليد مناطق الاهتمام ومتجهات السمات. يتضمن التسلسل المدخل \(Q_i\) صوراً من وسائط متعددة. ونظراً لاختلاف شكل الورم عبر الوسائط، ندرب كاشفاً \(D_{m}\) لكل وسيلة \(m \in \{\text{FFDM},\text{DBT}, \text{Ultrasound}\}\). يأخذ كل كاشف \(D_m\) صورة \(I\) ويخرج \(k_m\) مناطق اهتمام مع تمثيلات سمات \(H \in \mathbb{R}^{k_m, d_m}\) ودرجات \(P_c \in \mathbb{R}^{k_m}\) تعكس احتمال وجود ورم خبيث في كل منطقة. نستخرج فقط أعلى \(k_m\) مناطق حسب الدرجات، حيث \(k_m\) هو معامل يتم ضبطه على مجموعة التحقق. بعض الكواشف تنتج أيضاً متجهات سمات عامة. ونظراً لاختلاف حجم وقياس المتجهات المستخرجة من كل \(D_{m}\)، نطبق تحويل خاص بكل وسيلة \(G_{m}\) (شبكة عصبية متعددة الطبقات) لإسقاط جميع السمات في نفس الفضاء: \(B = G_m(H)\)، حيث \(B \in \mathbb{R}^{k_m, d}\) تمثل متجهات السمات بعد الإسقاط.
تضمين المتغيرات الفئوية. ندمج متغيرات فئوية مثل تاريخ الفحص، الجهة (يمين/يسار)، نوع وسيلة التصوير، زاوية التصوير، وعمر المريضة (مجزأ إلى فئات). تساعد هذه المتغيرات النموذج على فهم الأنماط الزمنية والمكانية في مناطق الاهتمام. نستخدم تقنية التضمين لتمثيل كل متغير \(c\) بمتجه \(K_c \in \mathbb{R}^{100}\)، ثم ندمجها مع متجهات السمات بعد الإسقاط. بعد ذلك، نستخدم شبكة عصبية متعددة الطبقات \(f_\text{emb}: \mathbb{R}^{d+500} \mapsto \mathbb{R}^{d}\) لتقليل الأبعاد: \[X = f_\text{emb}([B, K_{\text{date}}, K_{\text{lat}}, K_{\text{mod}}, K_{\text{view}}, K_{\text{age}}]^T),\] حيث \(X \in \mathbb{R}^{k_m, d}\) تمثل المتجهات بعد التضمين.
المحول (Transformer). نستخدم مشفر محول لتمكين التفاعل بين متجهات مناطق الاهتمام بعد التضمين من جميع الصور . يستخدم المشفر آلية انتباه متعددة الرؤوس لدمج المعلومات من التسلسل المدخل. وكما هو متبع ، نضيف رمز CLS خاص إلى التسلسل المدخل، ليكثف التسلسلات ذات الطول المتغير في تمثيل ثابت الحجم، ويتيح للمحول تحديثه تكرارياً باستخدام إشارات من جميع المتجهات: \[\text{CLS'} = \text{transformer}([X, \text{CLS}]).\]
بعد ذلك، نطبق شبكة عصبية متعددة الطبقات \(Z: \mathbb{R}^d \mapsto \mathbb{R}^6\) مع دالة ReLU على متجه CLS الناتج من المحول لإنتاج ست درجات خطر غير سالبة لفترات زمنية غير متداخلة: خطر أساسي خلال 120 يوماً (\(L^0\))، خطر إضافي من 120 يوم إلى سنة (\(L^1\))، خطر من سنة إلى سنتين (\(L^2\))، من سنتين إلى ثلاث (\(L^3\))، من ثلاث إلى أربع (\(L^4\))، ومن أربع إلى خمس سنوات (\(L^5\)). ويعبر عن ذلك بالمعادلة التالية: \[^T = \text{ReLU}(Z(\text{CLS'})).\]
أخيراً، نستخدم طبقة خطر تراكمي مع دالة سيغمويد لإنتاج الاحتمال التراكمي للخباثة: \[\hat{y}^j = \sigma(L^0 + \sum_{k=1}^j L_k).\]
يتم تدريب MMT على مرحلتين. أولاً، لكل وسيلة تصوير، ندرب كواشف السرطان بشكل مستقل باستخدام صور تلك الوسيلة فقط. يتم تصميم كواشف FFDM وDBT باستخدام YOLOX ، وMogaNet ، وGMIC . يعد YOLOX نسخة خالية من المراسي من عائلة نماذج YOLO الشهيرة . MogaNet هو شبكة عصبية تلافيفية فعالة في نمذجة التفاعلات البصرية. GMIC شبكة عصبية فعالة للصور الطبية عالية الدقة. بالنسبة لـ DBT، ندرب على مقاطع ثنائية الأبعاد لتقليل الحسابات. يتم تدريب كواشف YOLOX وMogaNet باستخدام تسميات الصور وصناديق التحديد. لتدريبها مع تسميات الصور فقط، نقوم بتجميع السمات ذات الدرجات الأعلى وتصنيفها باستخدام طبقة انحدار لوجستي. نستخدم UltraNet المقترحة في ككاشف للموجات فوق الصوتية. ولتوازن التكلفة الحسابية، نستخرج 10 مناطق اهتمام من كل صورة عبر الوسائط.
في المرحلة الثانية، نقوم بتثبيت أوزان الكواشف وندرب مشفر المحول والشبكات العصبية متعددة الطبقات والتضمينات على تسلسلات متعددة الوسائط باستخدام دالة خسارة الانتروبي المتقاطع الثنائي ووسيط التحسين Adam بمعدل تعلم \(10^{-5}\).
لتحسين النتائج، نستخدم تقنية تجميع النماذج . ندرب 100 نموذج MMT، حيث يتم اختيار نموذج عشوائي من كل عائلة كواشف مع مشفر محول يتم تهيئته عشوائياً كـ DeiT أو ViT أو BERT . يتم تجميع أفضل 5 نماذج MMT حسب الأداء على مجموعة التحقق لإنتاج التنبؤ النهائي.
قمنا بتدريب وتقييم النموذج على مجموعة بيانات تشخيص سرطان الثدي متعددة الوسائط الخاصة بجامعة نيويورك، والتي تحتوي على 1,353,521 فحص FFDM/DBT/موجات فوق صوتية من 297,751 مريضة زرن مركز NYU Langone Health بين عامي 2010 و2020. تم تقسيم الفحوصات إلى مجموعات تدريب (87.1%)، تحقق (3.9%)، واختبار (8.9%)، مع تخصيص جميع فحوصات كل مريضة لمجموعة واحدة فقط. تم اشتقاق التسميات الدالة على وجود أو غياب السرطان من تقارير الباثولوجيا المقابلة. تم تصفية مجموعتي التحقق والاختبار بحيث يكون للفحوصات الإيجابية تأكيد باثولوجي، وللفحوصات السلبية متابعة سلبية. انظر الجدول [tab:dataset_table] لتفاصيل المجموعة.
قمنا بتقييم قدرة النموذج على كشف السرطانات الحالية وتوقع الخطر في مجتمع الفحص العام. كل حالة اختبار هي زيارة فحص تتضمن FFDM إلزامي وDBT/موجات فوق صوتية اختياري. يستخدم النموذج جميع الوسائط المتاحة والدراسات السابقة. بالنسبة لكشف السرطان الحالي، تعتبر الزيارة إيجابية إذا تم تأكيد السرطان في غضون 120 يوماً من الفحص. بلغ عدد الفحوصات في مجموعة الاختبار 121,037 فحصاً من 54,789 زيارة فحص، منها 483 أدت إلى تشخيص سرطان. من بين هذه الزيارات، 26,028 (47.5%) تضمنت DBT في نفس اليوم، و15,542 (28.4%) تضمنت موجات فوق صوتية في نفس اليوم، و34,888 (63.7%) كان لديها صور سابقة متاحة. بلغ متوسط عدد الفحوصات السابقة المرتبطة بكل زيارة 1.9. بالنسبة لتصنيف الخطر على مدى خمس سنوات، استبعدنا السرطانات المكتشفة بالفحص والحالات السلبية التي تقل متابعتها عن خمس سنوات، للتركيز على التنبؤ طويل الأمد. بقيت 6,173 زيارة مع 598 حالة إيجابية في مجموعة الاختبار. استخدمنا مساحة تحت منحنى ROC (AUROC) ومساحة تحت منحنى الدقة-الاسترجاع (AUPRC) كمقاييس تقييم.
لمقارنة أداء MMT في تشخيص السرطان، قارناه مع أربعة نماذج مرجعية: GMIC، YOLOX، وMogaNet باستخدام FFDM فقط، وتجميع متعدد الوسائط يجمع تنبؤات النماذج السابقة مع UltraNet عند توفر الموجات فوق الصوتية. لكل نموذج أحادي الوسيط، تم تدريب 20 نموذجاً وتجميع أفضل 5 للتقييم. تظهر النتائج في الجدول 1. حقق MMT أعلى AUROC وAUPRC من النماذج المعتمدة على التصوير الشعاعي فقط، مما يدل على أن دمج الموجات فوق الصوتية يحسن الدقة التشخيصية. كما تفوق MMT على التجميع متعدد الوسائط، مما يشير إلى أن المحول يدمج المعلومات متعددة الوسائط بشكل أفضل من المتوسط البسيط.
| النموذج | AUROC | AUPRC | ||
|---|---|---|---|---|
| GMIC | 0.866 | 0.167 | ||
| YOLOX | 0.876 | 0.172 | ||
| MogaNet | 0.874 | 0.181 | ||
| تجميع متعدد الوسائط | 0.925 | 0.251 | ||
| MMT | 0.943 | 0.518 |
في تصنيف الخطر، قارنا MMT مع معيارين: تشخيص أطباء الأشعة (BI-RADS) ونظام ميراي ، وهو نظام ذكاء اصطناعي يتنبأ بخطر الإصابة المستقبلي بسرطان الثدي باستخدام عوامل الخطر الفئوية والتصوير الشعاعي، على نفس مجموعة الاختبار. تظهر النتائج في الجدول 2. في توقع الإصابة خلال خمس سنوات، حقق MMT AUROC قدره 0.826 وAUPRC قدره 0.524، متفوقاً على كلا المنهجين. من خلال الاستفادة من التصوير متعدد الوسائط والتاريخ الطولي للمريضة، يظهر MMT قدرة قوية على توقع خطر الإصابة المستقبلي بسرطان الثدي.
| النموذج | AUROC | AUPRC |
|---|---|---|
| BI-RADS | 0.585 | 0.118 |
| Mirai | 0.732 | 0.252 |
| MMT | 0.826 | 0.524 |
أجرينا دراسة استبعادية لفهم تأثير الوسائط التكميلية والصور السابقة. قمنا بتقييم أداء MMT باستخدام التصوير الشعاعي فقط مع الصور السابقة (تصوير شعاعي فقط)، وباستخدام التصوير الشعاعي والموجات فوق الصوتية دون صور سابقة (بدون صور سابقة)، ودمج صور سابقة لمدة سنة أو سنتين أو ثلاث سنوات. كما هو موضح في الجدول [tab:ablation]، أظهر MMT تحسناً ملحوظاً عند استخدام الموجات فوق الصوتية مع التصوير الشعاعي في كلا المهمتين، مما يؤكد أهمية الوسائط التكميلية. في المقابل، تساهم الصور السابقة بشكل رئيسي في تصنيف الخطر طويل الأمد، بينما لا تقدم الصور السابقة لأكثر من سنتين سوى تحسن طفيف، وهو ما يتوافق مع الممارسة السريرية بالاعتماد على صور السنتين الأخيرتين. تؤكد هذه الدراسة أهمية المعلومات متعددة الوسائط والطولية، حيث يحسن كل من الموجات فوق الصوتية والصور السابقة الحديثة من دقة التشخيص وتوقع الخطر.
لكل وسيلة تصوير طبي مزاياها وقيودها الخاصة. وغالباً ما يجمع أطباء الأشعة بين عدة وسائط لاتخاذ القرار التشخيصي. في هذا السياق، نقترح MMT للاستفادة المشتركة من التصوير الشعاعي والموجات فوق الصوتية في فحص سرطان الثدي. يحقق MMT أداءً قوياً في كشف السرطانات الحالية وتوقع الخطر طويل الأمد.
تعتمد نماذج تقدير الخطر التقليدية على التاريخ الشخصي، والعوامل الوراثية، وتاريخ العائلة، وكثافة الثدي، لكنها غالباً ما تعاني من دقة دون المستوى الأمثل ، وذلك لاعتمادها على متغيرات عامة لا تعكس التغاير النسيجي المرتبط بخطر السرطان. توضح دراستنا أن دمج بيانات المريضة متعددة الوسائط والطولية مع الشبكات العصبية يمكن أن يحسن بشكل كبير من نمذجة الخطر عبر استخراج سمات نسيجية أكثر ثراءً ودلالة.
هناك بعض القيود في هذه الدراسة. أولاً، لم نقم بتقييم النموذج على مجموعات بيانات خارجية، وهو أمر ضروري لإثبات قدرته على التعميم عبر مجموعات سكانية وبروتوكولات تصوير مختلفة. بالإضافة إلى ذلك، يعتمد نموذجنا بشكل أساسي على بيانات التصوير. قد يؤدي دمج عوامل الخطر مثل الديموغرافيا وتاريخ العائلة إلى تعزيز نمذجة الخطر بشكل أكبر. إن معالجة هذه القيود من خلال دراسات متعددة المؤسسات ودمج البيانات غير التصويرية ستكون من الاتجاهات المستقبلية الهامة لترجمة هذه النتائج الواعدة إلى الممارسة السريرية.
تم دعم هذا البحث من قبل المعاهد الوطنية للصحة (NIH) من خلال المنح TL1TR001447 (المركز الوطني للعلوم الانتقالية المتقدمة) وP41EB017183، ومؤسسة غوردون وبيتي مور (9683)، والمؤسسة الوطنية للعلوم (1922658). إن محتوى هذا العمل يعبر عن رأي المؤلفين فقط ولا يعكس بالضرورة وجهات نظر الجهات الممولة.
| AUROC (تشخيص السرطان) | AUROC (تصنيف الخطر) | |
|---|---|---|
| العمر | ||
| \(<\)50 سنة | 0.927 | 0.820 |
| 50-60 سنة | 0.957 | 0.790 |
| 60-70 سنة | 0.941 | 0.810 |
| 70-80 سنة | 0.920 | 0.830 |
| \(>\)80 سنة | 0.928 | 0.965 |
| كثافة الثدي | ||
| A | 0.967 | 0.776 |
| B | 0.949 | 0.813 |
| C | 0.936 | 0.824 |
| D | 0.921 | 0.838 |
| تدريب | تحقق | اختبار | |
|---|---|---|---|
| عدد المريضات | 263,573 | 10,839 | 23,339 |
| العمر، متوسط (انحراف معياري) | 56.98 (13.09) | 59.58 (11.55) | 59.77 (11.47) |
| \(<\)40 سنة | 17,186 (6.52%) | 173 (1.60%) | 351 (1.50%) |
| 40-49 سنة | 63,158 (23.96%) | 2,308 (21.29%) | 4,806 (20.59%) |
| 50-59 سنة | 64,882 (24.62%) | 3,088 (28.49%) | 6,679 (28.62%) |
| 60-69 سنة | 54,980 (20.86%) | 2,960 (27.31%) | 6,582 (28.20%) |
| \(\geq70\) سنة | 43,022 (16.32%) | 2,092 (19.30%) | 4,582 (19.63%) |
| غير معروف | 20,345 (7.72%) | 218 (2.01%) | 339 (1.45%) |
| كثافة الثدي | |||
| A | 18,616 (7.06%) | 773 (7.13%) | 1,756 (7.52%) |
| B | 93,990 (35.66%) | 4,225 (38.98%) | 9,415 (40.34%) |
| C | 113,631 (43.11%) | 5,005 (46.18%) | 10,542 (45.17%) |
| D | 16,991 (6.45%) | 618 (5.70%) | 1,287 (5.51%) |
| غير معروف | 20,345 (7.72%) | 218 (2.01%) | 339 (1.45%) |
| عدد الفحوصات | 1,179,171 | 53,313 | 121,037 |
| سرطان خلال 120 يوماً | 15,586 (1.32%) | 877 (1.65%) | 1,902 (1.57%) |
| سرطان 120 يوم - سنة | 1,566 (0.13%) | 19 (0.04%) | 13 (0.01%) |
| سرطان 1-2 سنة | 4,816 (0.41%) | 54 (0.10%) | 133 (0.11%) |
| سرطان 2-3 سنوات | 3,417 (0.29%) | 249 (0.47%) | 613 (0.51%) |
| سرطان 3-4 سنوات | 2,089 (0.18%) | 182 (0.34%) | 364 (0.30%) |
| سرطان 4-5 سنوات | 1,281 (0.11%) | 101 (0.19%) | 248 (0.20%) |
| سرطان \(>\)5 سنوات | 1,391 (0.12%) | 92 (0.17%) | 268 (0.22%) |
| وسيلة التصوير | |||
| FFDM | 546,862 (46.38%) | 26,687 (50.06%) | 62,249 (51.43%) |
| DBT | 300,277 (25.47%) | 12,139 (22.77%) | 28,339 (23.41%) |
| موجات فوق صوتية | 332,032 (28.16%) | 14,487 (27.17%) | 30,449 (25.16%) |
| BI-RADS على مستوى الفحص | |||
| 0 | 439,112 (10.99%) | 19,811 (9.66%) | 45,060 (9.57%) |
| 1 | 439,112 (37.24%) | 19,811 (37.16%) | 45,060 (37.23%) |
| 2 | 501,915 (42.57%) | 24,598 (46.14%) | 56,810 (46.94%) |
| 3 | 70,935 (6.02%) | 1,683 (3.16%) | 3,453 (2.85%) |
| 4 | 33,517 (2.84%) | 1,999 (3.75%) | 4,002 (3.31%) |
| 5 | 2,535 (0.21%) | 73 (0.14%) | 129 (0.11%) |
| 6 | 1,611 (0.14%) | 0 (0.00%) | 0 (0.00%) |
ساهم هؤلاء المؤلفون بالتساوي↩︎