尽管基于诸如乳房密度等因素，女习惯患乳腺癌的风险不同，但大多数筛查项目都是一刀切的，所有妇女都接受同样的检查。现阶段，临床上提出了风险分层筛查以优化对患者的筛查和更好资源，这在专业放射科医生日益缺乏的情况下是非常重要的。

最近，基于乳腺钼靶检查的风险模型可以估计短期或长期乳腺癌风险，但风险评估是否可以通过结合这些模型进行评估尚未得到评估。

近日，发表在Radiology杂志上的一篇研究探讨了乳腺病变检测诊断人工智能(AI)系统与乳腺钼靶影像纹理模型相结合改善乳腺癌风险评估的能力及价值。

本项回顾性研究纳入了2012年11月至2015年12月连续接受乳腺钼靶筛查的女性，随访资料至少5年。使用市售的病变检测诊断人工智能系统评估检查的短期风险，该系统产生一个分数来表明癌症的可能性。在单独的数据集上训练的乳腺钼靶纹理模型评估了与长期癌症风险相关的纹理。受试者工作特征曲线下面积(AUC)分析用于评估人工智能和纹理模型在预测乳腺钼靶筛查阴性女性未来癌症方面的单独和联合性能，包括筛查后2年内诊断出间隔癌症的女性和筛查后2年或更长时间诊断出长期癌症的女性。采用DeLong检验比较AUC。

研究筛查队列包括119650名女性(中位年龄59岁[IQR, 53-64岁])，其中320名发生间隔期乳腺癌，1401名发生长期癌症。联合模型获得的间隔期和长期乳腺癌组的AUC高于诊断AI (AUC, 0.73 vs 0.70;P < 0.001)或纹理风险(AUC, 0.73 vs 0.66;P< .001)模型。联合模型确定的综合风险最高的10%的女性占了44.1%(320人中141人)的间期癌症和33.7%(1401人中472人)的长期癌症。

 表 筛查队列中乳腺癌风险的模型表现

本项研究表明，人工智能诊断系统与乳腺钼靶影像纹理模型的结合改善了间隔期和长期乳腺癌的风险评估，并能够准确识别高风险女性。

原文出处：

Andreas D Lauritzen,My C von Euler-Chelpin,Elsebeth Lynge,et al.Assessing Breast Cancer Risk by Combining AI for Lesion Detection and Mammographic Texture.DOI:10.1148/radiol.230227

Tags： Radiology：结合AI病灶检测和乳腺钼靶纹理分析实现乳腺癌的风险评估