在乳房x光检查中使用人工智能可以帮助医生在诊断前几年识别乳腺癌风险，为个性化、预防性治疗和更有效的护理打开大门。

最近发表在JAMA Network Open上的一项研究评估了商业人工智能(AI)工具在临床诊断前几年通过筛查乳房x光检查检测亚临床乳腺癌的功效。

将人工智能与乳房x光检查相结合

测试的人工智能模型(INSIGHT MMG)最初不是为未来癌症风险评估而设计的，但它演示了对六年后癌症发展的预测准确性进行了验证

2022年，全世界有230多万妇女被诊断患有乳腺癌，当年有67万多人死于乳腺癌。在美国，乳腺癌是影响女性的最常见的癌症类型，在这个国家，每年有三分之一的新女性癌症影响乳房组织。

美国疾病控制和预防中心(CDC)目前建议40岁及以上的妇女每两年进行一次乳房x光检查，以筛查是否存在乳腺癌。尽管乳房x光检查被广泛使用，但其准确性是有限的。

最近，一些人工智能算法已经被批准用于提高放射科医生报告的准确性，这是通过标记可疑区域和生成癌症评分来提供更准确的诊断来实现的。事实上，一些研究表明，这些分数可以在临床特征出现之前预测未来的乳腺癌风险。

一个关于这项研究

目前的研究包括挪威九个乳房中心的116,495名妇女，她们每两年接受三次或更多次连续的乳房x光检查。这些乳房x光检查于2004年9月13日至2018年12月21日期间进行。

所有乳房x光检查结果使用INSIGHT MMG进行人工智能分析，这是一种市售的人工智能算法。重要的是，INSIGHT MMG最初不是为了估计未来癌症风险而开发的，也没有针对这一任务进行优化。

该算法提供了一个连续变量，即癌症检测评分，范围从0到100。得分越高，乳房x光检查呈阳性的风险越高。

在两次乳房x光检查之间的间隔时间内，比较了癌症筛查呈阳性的女性、癌症筛查呈阴性的女性和患癌症的女性的乳房的最大人工智能评分和评分的绝对差异。

分数差异

A，未发展(阴性)和发展为筛查检测到的癌症和/或间隔期癌症的乳房的平均AI评分，以及在第一轮、第二轮和第三轮研究筛查中阴性筛查的女性的两个乳房的平均值。B，每一轮研究中乳房之间AI评分的绝对差异。

该研究队列包括1265名和116495名乳腺癌筛查呈阳性和阴性的女性，以及342名在两次乳房x光检查之间被诊断为乳腺癌的女性。乳腺癌筛查呈阳性的女性在第三轮的平均年龄为58.5岁，而间隔期癌症女性和筛查阴性女性的平均年龄分别为57.4岁和56.4岁。

计算两乳人工智能评分的平均绝对差(MADs)。对于没有癌症的女性，每三轮的差异分别为9.9、9.6和9.3。

在第三轮筛查中发现癌症的女性的AI得分分别为21.3、30.7和79。在间歇期癌症患者中，每轮MADs分别为19.7、21和34。

发生癌症的乳房的得分高于其他乳房，在癌症最终被发现之前的4到6年，得分就会上升。筛选阳性和无癌妇女的受试者工作特征曲线下面积(auc)在每轮分别为0.64、0.73和0.97。每一轮间隔期癌症的auc从0.66增加到0.78。

在每轮筛查中，筛查阳性妇女得分绝对差异的auc分别为0.63、0.72和0.96。相比之下，间隔癌每轮的相应值分别为0.64、0.65和0.77。当考虑所有乳腺癌时，各轮之间的auc从0.64增加到0.93。

间隔期癌症似乎发展得更快，而且更有可能在乳房x光检查中被隐藏，而不是被放射科医生遗漏。

考虑到考试级AI得分前1%为癌症阳性，其余99%为阴性，绝对得分阈值为91.3。在这个阈值下，4.5%、8.6%和53%的癌症在三轮测试中分别获得了正的AI得分。在每一轮研究中，会有0.7%的女性出现假阳性得分。

结论

研究结果表明，在诊断前6年，使用人工智能乳房x光检查评分来估计乳腺癌风险的潜力。正在发生癌症的乳房的平均绝对AI得分高于其他乳房，这反映在更高的MAD得分上。

基于MAD评分，INSIGHT MMG准确地区分了未来癌症风险增加的女性与无癌症女性。使用人工智能，确定患有乳腺癌的高风险女性可以接受额外的筛查和其他个性化干预措施，以预防乳腺癌。