推进乳腺癌检测：人工智能识别乳房X光片中漏诊的间期癌

亮点

• 人工智能（AI）展示了在筛查乳房X光片上识别高风险区域的能力，这些区域提示可能漏诊的间期乳腺癌（IBCs）。
• AI检测到了许多对放射科医生回顾性审查时没有明显异常的IBCs，表明其检测灵敏度有所提高。
• 研究重点是乳腺密度高的女性，这是已知的筛查挑战的风险因素，突显了临床重要性。
• AI评分与放射科医生的回顾性分类相关，表明其具有互补的诊断价值。

研究背景

乳腺癌仍然是全球癌症发病率和死亡率的主要原因之一。间期乳腺癌（IBCs），即在正常筛查乳房X光片后24个月内被诊断出的癌症，由于其侵袭性和较差的预后，给临床带来了显著的挑战。乳腺密度高的人群占筛查人群的相当比例，这会掩盖乳房X光片上的癌症检测，增加漏诊的可能性。当前的乳房X光筛查项目（MSPs）通常缺乏可靠的工具来及早识别这些漏诊的癌症。应用于影像分析的人工智能有望通过标记初始人类审查时未检测到的恶性迹象来增强放射科医生的表现。

研究设计

这项回顾性研究分析了119名平均年龄为57.3岁的女性的乳房X光片，其中大部分女性的乳腺密度较高（BI-RADS类别c/d，占比63.0%）。数据来源为瑞士东部和格劳宾-格拉鲁斯癌症登记处。间期乳腺癌定义为在前一次正常乳房X光片后的两年内诊断出的浸润性或原位恶性肿瘤。三名放射科医生独立进行了回顾性审查，识别可见异常，并根据共识建议将病变分类为潜在漏诊的IBCs或没有可检测的回顾性异常的IBCs。一个AI系统评估了每张乳房X光片，生成了两个0-100分的评分：一个案例评分估计当前癌症存在的可能性，一个风险评分预测两年内乳腺癌诊断的概率。

主要发现

分析显示，根据放射科医生的回顾性判断，68.9%的IBCs没有可见的回顾性异常，而31.1%被归类为潜在漏诊的IBCs，这些IBCs获得了显著更高的BI-RADS评分（P < .05）。

潜在漏诊的IBCs的平均AI案例评分显著高于没有回顾性异常的IBCs（54.1 vs 23.1；P < .05），并且更频繁地被分配到较高的风险类别（48.7% vs 14.6%；P < .05）。

在所有IBCs病例中，46.2%的AI案例评分超过25，25.2%超过50，13.4%超过75，表明AI评估的恶性概率存在差异。

值得注意的是，潜在漏诊的IBCs的AI评分分布广泛，从低到高不等，而没有回顾性异常的IBCs在案例和风险评分上始终得分较低。具体来说，73.0%的潜在漏诊IBCs与34.1%的没有回顾性异常的IBCs的案例评分超过25；51.4%与13.4%超过50；29.7%与6.1%超过75。

专家评论

这项研究强调了人工智能在乳房X光片中的附加价值，特别是在常规读片受限的高乳腺密度人群中。AI系统不仅证实了放射科医生回顾性发现的漏诊恶性肿瘤，还揭示了一部分即使经过专家二次审查也看不见的癌症。

这些发现支持将AI作为临床辅助工具，以减少间期癌的发生率，从而改善早期检测并可能改善患者预后。然而，局限性包括回顾性设计、相对较小的样本量以及高密度病例的主导地位，这可能影响其普遍适用性。需要在更广泛的人群中进行前瞻性验证，并整合到临床工作流程中，以确认其影响和操作可行性。

结论

人工智能在筛查乳房X光片中检测漏诊的间期乳腺癌方面显示出有前景的能力，尤其是在乳腺密度较高的女性中。通过识别放射科医生无法回顾性可视化的癌症，AI有可能提高筛查的灵敏度，减少延迟诊断，并优化乳腺癌管理。未来的研究应重点关注前瞻性评估、成本效益以及建立标准化的AI整合框架，以实现这些好处在实际的乳房X光筛查项目中。

参考文献

Eisemann N, Bunk S, Mukama T, Baltus H, Elsner SA, Gomille T, Hecht G, Heywang-Köbrunner S, Rathmann R, Siegmann-Luz K, Töllner T, Vomweg TW, Leibig C, Katalinic A. Nationwide real-world implementation of AI for cancer detection in population-based mammography screening. Nat Med. 2025 Mar;31(3):917-924. doi: 10.1038/s41591-024-03408-6IF: 50.0 Q1 . Epub 2025 Jan 7. PMID: 39775040IF: 50.0 Q1 ; PMCID: PMC11922743IF: 50.0 Q1 .
PDF file download