使用人工智能(AI)，研究人员发现从筛查乳腺X光片中得出的基于图像的乳腺癌风险评分会随时间演变，并且在患癌女性和未患癌女性之间存在差异，这为乳腺癌动态风险评估的新时代打开了大门。这项新研究今天发表在北美放射学会(RSNA)的期刊《放射学》上。
深度学习模型现在可以直接从筛查乳腺X光片生成乳腺癌风险评分，使用整个图像而不是密度等有限的预定义特征。这些模型在估计女性五年乳腺癌风险方面表现出优于传统风险模型和仅使用乳腺密度的性能。
大多数被诊断出患有乳腺癌的女性没有已知的基因突变或报告的家族病史。传统风险模型在基于人群的筛查环境中具有有限的辨别能力。
"深度学习模型主要用于在静态时间点评估癌症风险评分。在这项研究中，我们使用来自大型筛查队列的连续乳腺X光片评估了仅基于图像的深度学习乳腺癌风险评分的纵向变化。"
Harvard医学院放射学教授、Clairity, Inc.首席执行官、首席研究员Constance D. Lehman医学博士、哲学博士表示。
该研究包括2009年至2019年间在六个影像检查点接受筛查乳腺X光检查的女性，这些检查点涵盖城市三级、社区和农村实践环境。所有检查都是标准的2D双侧全视野数字乳腺X光筛查检查，有的配合数字乳腺断层合成技术，有的则不配合。
最初，该研究队列包括来自89,882名患者的239,703次连续2D筛查乳腺X光检查。排除后，最终队列包括54,014名女性(中位年龄61岁)，其中817名癌症患者和53,197名无癌症对照组。每位女性提供一次索引检查(定义为乳腺癌诊断前一年内的最后一次筛查乳腺X光检查，或无癌症对照组五年研究期内的最后一次乳腺X光检查)以及最多六次先前的年度乳腺X光检查，总计158,807次乳腺X光检查。每位女性的筛查乳腺X光检查中位数为三次。
一个经过验证的开源仅基于图像的深度学习模型被应用于所有乳腺X光片，以生成连续的五年乳腺癌风险评分。未使用人口统计学、临床或历史影像数据。
总共有817名女性(1%)在索引检查后365天内被诊断出患有乳腺癌，包括451名(55%)侵入性癌症患者、118名(14%)导管原位癌(DCIS)患者和248名(30%)癌症类型未知的患者。其中，682名(83%)是筛查检测到的癌症，135名(17%)是间隔期癌症。其余53,197名女性(98%)在随访期间未被诊断出患有乳腺癌，被归类为无癌症对照组。
研究人员将817名被诊断为侵入性癌症或DCIS的女性的风险评分与53,197名无癌症对照个体的评分进行了比较。
Lehman博士表示："我们观察到患癌和未患癌女性之间的风险轨迹存在临床上的相关差异。癌症患者的评分增加早在诊断前六年就可检测到，并且随时间变得更加明显。"
在癌症患者中，AI风险评分在诊断前的六年中逐渐增加，中位评分从研究期最初五到六年的2.1增加到索引检查时的6.6。无癌症女性在所有时间点都表现出稳定的评分，研究期间中位数在1.8到2.2之间。
Lehman博士说："这些发现表明，仅从图像中就能预测未来风险的信号，而这些信号是肉眼不可见的。这令人兴奋，因为85%被诊断出患有乳腺癌的女性没有显著的乳腺癌家族史或已知的基因突变。"
Lehman博士指出，大多数乳腺癌病例是偶发性的，意味着它们不是由家族遗传或基因驱动的。
她说："AI衍生的风险评分可以识别出其他情况下易患该疾病的患者，我们的发现表明基于图像的AI风险评分会随时间演变，这些评分的变化可能会提供有关未来乳腺癌风险的额外信息。"
癌症患者的风险评分轨迹在诊断前的几年中增长最为陡峭。研究期早期的评分逐渐增加，随后在索引检查前两年出现更急剧的增加。相比之下，无癌症轨迹在整个研究期间基本保持平稳。
Lehman博士说："这些趋势在按年龄和乳腺密度定义的亚组中保持稳健，进一步支持了我们发现的普遍适用性。鉴于患者群体间筛查性能的持续差异，这一点尤为重要。基于影像数据的动态生物标志物方法可以通过实现不依赖于自我报告或不一致临床数据的基于风险的个性化，来减轻其中一些差异。"
Lehman博士表示，该研究的发现支持基于图像的风险模型作为动态影像生物标志物的潜力，以指导个性化的风险降低策略。
她说："凭借AI、计算机视觉和提取预测数据的能力，我们能够将影像的力量应用于风险评估和预防疾病发展。拥有动态风险评分为乳腺癌更有效的预防性治疗开辟了一个全新的领域，类似于我们如何筛查和治疗高胆固醇和高血压患者。"
基于AI的图像风险评分已纳入2026年国家综合癌症网络指南。该指南建议，从35岁开始，五年风险评分升高(大于1.7%)的女性应考虑在年度乳腺X光检查之外进行乳腺MRI检查。
目前，一种经FDA批准的基于AI、基于图像的五年风险评分模型正在美国部分医疗机构临床使用。
【全文结束】