异常乳腺X光检查结果的女性通常需要等待数周才能确定是否患有乳腺癌。如今，加州大学旧金山分校(UCSF)和加州大学伯克利分校的研究人员发现了一种利用人工智能快速识别最可能患有该疾病的女性的方法，从而帮助减少等待时间和担忧。通过分诊这些患者，AI指导的工作流程使具有异常扫描结果的女性能够在一天内完成整个诊断过程——从影像检查到评估，有时甚至包括活检。
"这是一个令人兴奋的时刻，"发表在《npj数字医学》(npj Digital Medicine)期刊上的这项研究的第一作者、麦琪·钟(Maggie Chung)医学博士表示，"这使我们更接近个性化医疗，我们可以为每位患者量身定制计划，确保她们在正确的时间获得正确的干预措施。"
研究人员使用了一个名为Mirai的开源AI模型，该模型由该研究的资深作者、加州大学伯克利分校数据科学家亚当·亚拉(Adam Yala)博士开发。在经过数十万张与患者癌症结果相关联的乳腺X光检查图像训练后，该模型能够识别筛查乳腺X光检查中的细微模式，并以比单独工作的医生更强大的方式预测女性的癌症风险。
钟和亚拉将该模型应用于扎克伯格旧金山总医院和创伤中心(Zuckerberg San Francisco General Hospital and Trauma Center)的4,100多张筛查乳腺X光检查图像。Mirai确定525名女性——约占筛查患者的12.7%——属于高风险。
这些患者可以在完成乳腺X光检查后立即获得对其检查结果的解读，并在同一天对任何可疑区域进行额外的诊断性影像检查。一些需要活检的女性也能在同一天完成。
Mirai将诊断评估的等待时间从数周减少到约一小时。对于最终被诊断为乳腺癌的患者，Mirai将活检的平均等待时间从两个多月减少到不到10天。
Mirai并不取代放射科医生，也不会自行做出诊断。相反，它是一个分诊工具，帮助医生识别哪些患者最能从加速诊疗中受益。
"这是AI如何成为医生协作伙伴的一个有力例证，"亚拉表示，他与钟同为加州大学旧金山分校-伯克利分校计算精准健康联合项目(UCSF-UC Berkeley Joint Program in Computational Precision Health)的助理教授。"它展示了当我们把临床医生和数据科学家聚集在一起设计这些系统时，如何改善医疗护理。"
在启动该项目前，研究人员分析了超过11.4万份存档乳腺X光检查图像，以确保该模型能够捕捉到足够的高风险患者，而不会因过多的加急评估而使诊所超负荷运转。
研究人员希望AI能够促进一种更加个性化的乳腺癌筛查方法，该方法针对每位患者的乳腺癌风险量身定制。
"目前，许多女性遵循相同的筛查时间表，但她们的个体风险可能非常不同，"钟说。"AI风险评估使我们有机会识别最有可能从加速诊疗中受益的女性，并为她们提供所需的服务。"
出版详情
麦琪·钟等人，《在安全网环境中前瞻性部署基于AI的风险分层以实现加速乳腺X光检查工作流程》(Prospective deployment of AI-based risk stratification to enable expedited mammography workflow in a safety-net setting)，《npj数字医学》(npj Digital Medicine)(2026)。DOI: 10.1038/s41746-026-02743-x
关键医学概念
乳腺癌(Breast Carcinomas) 乳腺癌早期检测(Breast Cancer Early Detection) 筛查性乳腺X光检查(Screening Mammography)
临床类别
肿瘤学(Oncology) 女性健康(Women's health) 诊断放射学(Diagnostic radiology) 常见疾病与预防(Common illnesses & Prevention)
【全文结束】