AI工具支持将乳腺X光检查作为筛查女性心血管风险的方法
该深度学习模型利用整个"乳腺结构"而不仅仅是钙化来预测中年女性的主要不良心血管事件风险
根据对澳大利亚数据的回顾性研究，未来可能通过深度学习算法，利用常规乳腺X光检查来预测女性的心血管风险。
研究人员在《心脏》(Heart)杂志上报告称，这种基于人工智能(AI)的工具与之前的方法一样，测量乳腺动脉钙化(BAC)，但它还分析乳腺密度等其他特征，并考虑年龄预测的心血管风险。他们表示，这些初步结果表明，它的效果与传统风险评估方程一样好。
澳大利亚悉尼新南威尔士大学(University of New South Wales)的詹妮弗·伊冯·巴克拉夫(Jennifer Yvonne Barraclough)博士表示，当前模型的突出之处在于它是"首个利用乳腺X光图像的多种特征而不仅仅是BAC，并结合年龄来预测心血管事件的模型"。
巴克拉夫解释说，BAC在预测此类事件方面存在局限性，因此他们的研究使用了整个"乳腺结构"，希望它更可靠。例如，研究人员解释说，BAC已被证明与心血管事件风险和某些风险因素相关，但与肥胖无关，且与吸烟呈负相关。然而，巴克拉夫补充说，目前的论文并没有直接比较BAC与更全面的模型。
尽管如此，她通过电子邮件告诉TCTMD，这些结果表明"有可能进行'一举两得'的筛查测试，无需在乳腺X光检查之外收集任何额外数据"。用于模型的年龄信息在乳腺X光检查时已经收集，因此这种方法将利用现有资源来确定心血管风险和乳腺癌。
巴克拉夫表示，被确定为高心血管风险的女性"随后将被鼓励对其心血管风险因素进行评估和相应管理"。
弗吉尼亚州福尔斯彻奇(Inova Schar Cancer and Inova Schar Heart and Vascular, Falls Church, VA)的安娜·巴拉克(Ana Barac)医学博士表示，问题是如何在实际临床实践中实施这种方法。
她指出，尽管越来越多的证据表明BAC与心血管疾病(CVD)风险之间存在联系，但驱动这种关系的因素尚不清楚——例如，BAC也与冠状动脉钙化无关。
对于这个特别查看乳腺X光检查所有元素而不仅仅是BAC的模型，很难理解模型结果对心血管疾病意味着什么。巴拉克说，这引发了"潜在原因是什么？一旦识别出风险，我们该如何应对？"的问题。
她警告说，如果缺乏具体的预防措施，得知自己有高心血管风险的女性可能不会感到有力量；而被告知风险低的女性可能会将其视为不关注心血管健康的通行证。尽管有这些注意事项，巴拉克同意该模型预测心血管事件的"准确性相当高"。
巴拉克表示，能够利用现有筛查工具的能力也很吸引人。"我们花费大量时间和精力，有时还有资金，试图了解个人风险。而这种风险可能已经在乳腺X光检查中了，为什么不利用它呢。我认为这是有趣且积极的想法。"
模型预测主要不良心血管事件(MACE)
在这项研究中，研究人员使用了Lifepool队列，该队列招募了2009年至2020年间至少进行过一次筛查性乳腺X光检查的女性，并同意将此检查与维多利亚州住院登记数据库(Victorian Admitted Episodes Database)常规收集的医院入院健康数据和国家死亡指数(National Death Index)联系起来。他们致力于开发一种基于DeepSurv的深度学习模型，该模型使用乳腺X光检查图像来预测扩展的主要不良心血管事件(MACE)，定义为动脉粥样硬化性心血管疾病或心力衰竭导致的死亡或住院。
研究人员使用了49,196名女性(平均年龄59.6岁)的乳腺X光检查结果，以及年龄和放射组学数据来创建模型。在中位随访8.8年后，3,392人经历了首次主要心血管事件，发生率为每千人年7.6例。这些事件包括2,383例冠状动脉疾病、656例心肌梗死(MIs)、434例中风和731例心力衰竭。
该模型能够以一致性指数(concordance index)0.72(95% CI 0.71-0.73)预测扩展的主要不良心血管事件。无论身体质量指数如何，以及在不同绝经组中，其表现相似。研究人员指出，它的"性能与包含年龄和临床变量的现代模型相似，包括新西兰的'PREDICT'工具和美国心脏协会的'PREVENT'方程"。
巴克拉夫承认，在更广泛地实施该模型之前，需要在其他队列中进一步评估。还有一个担忧是，使用乳腺X光检查来筛查心血管风险可能会影响现有的针对乳腺癌筛查的项目。
"我们目前正在开展定性研究，以了解在澳大利亚实施的障碍和促进因素。此外，这在不同的医疗保健系统中可能会有很大不同，"她说。
巴克拉夫补充说，最后，乳腺结构的哪些特定元素——如乳腺密度和微钙化——与心血管风险最密切相关，这一点尚未确定。
在一篇社论中，澳大利亚悉尼大学(University of Sydney)的格玛·A·菲格特(Gemma A. Figtree)医学博士和斯图尔特·M·格里夫(Stuart M. Grieve)医学博士呼吁进行研究，以确定哪些类型的主要不良心血管事件——心力衰竭、中风或动脉粥样硬化性心血管疾病——最能通过乳腺X光检查结果预测。
"关于机器学习模型反映的潜在机制存在不确定性，"他们写道，"这反映的是血管健康和对动脉粥样硬化的系统性易感性，还是个体的不同激素或代谢特征？"
社论作者警告说，没有这种理解，可能很难确定被确定为高风险女性的最佳后续步骤——是治疗传统风险因素，还是可能将她们转诊进行CT血管造影。作为参考，他们建议了一种潜在的临床路径。
菲格特和格里夫总结道："将新的风险工具应用于对亚临床冠状动脉疾病(CAD)进行筛查的个体分诊，这一点特别相关，因为越来越强调动脉粥样硬化性CAD本身就是疾病，而心脏病发作更多是灾难性终点。随后可以评估前瞻性实施研究的能力，以减少检测临床上可操作的CAD所需的扫描人数。"
作者：凯特琳·E·考克斯(Caitlin E. Cox)
凯特琳·E·考克斯是TCTMD的新闻编辑和心血管研究基金会(Cardiovascular Research Foundation)的编辑内容副主管。
【全文结束】
