编者按：虽然当前有几种临床乳腺癌风险预测模型可以用于乳腺癌的指导筛查和预防，但它们的鉴别能力有限。日前，发表于Radiology的一项研究对乳腺X线摄影AI算法与临床风险模型进行了比较，肿瘤瞭望特邀江苏省人民医院谢晖教授对该研究进行编译。

 

、

 

乳腺癌风险模型用于评估和指导临床决策，比如遗传风险评估、筛查补充和是否使用降低乳腺癌发病风险的药物。现阶段，风险模型也在进行更广泛的研究，例如基于风险的个性化筛查等。目前已经有一些模型可以来评估人群中患乳腺癌的风险，包括Cancer Risk Assessment Tool（Gail模型），Breast Cancer Surveillance Consortium（BCSC模型）和International Breast Cancer Intervention Study（Tyrer-Cuzick风险模型）。这些模型涵盖了年龄、临床因素（如乳腺癌家族史、种族和/或民族，以及既往乳腺活检结果为良性疾病）、遗传因素和乳腺X线乳腺密度，但这些模型并不能预测5年或10年乳腺癌发病风险。

 

基于计算机视觉的人工智能（AI）模型可以潜在地提高临床风险因素之外的乳腺癌风险预测。这些模型定量提取代表潜在病理生理机制和表型的成像生物标志物。乳腺密度是最常纳入临床风险模型的成像生物标志物，人工智能深度学习提取了数百到数千例的乳房X线的特征。然而，大多数基于乳房X线检查的AI算法仅仅为经过训练，通过标记筛查乳房X线检查（计算机辅助诊断或计算机辅助检测）时可见的乳腺癌来帮助放射科医生，而不是在乳房X线检查后几年预测未来的风险。

 

一些研究评估了乳房X线检查训练的AI算法预测未来发生乳腺癌风险的能力，这表明与单独的临床风险模型相比，风险预测有了实质性的改进。目前可用的计算机辅助检测或诊断AI算法经过较短时间范围（即评估风险的时间）训练，并且代表大多数乳房X线检查AI算法也可以预测长期风险。计算机辅助检测或诊断提供个性化未来风险预测的能力将把应用扩展到预测乳腺癌风险模型领域。

 

今天介绍的这项研究是一项回顾性病例队列研究，包括2016年乳房X线检查阴性（无可见癌症证据）的女性的数据，从筛查乳房X线检查中得出AI风险评分，AI分数由五种深度学习计算机视觉算法生成，这些算法使用筛查乳房X线检查作为数据输入，然后生成患者级别的预测分数。候选算法是从正在使用的人工智能评估中选择的。包括了两种免费的学术算法，Mirai和Globally-Aware Multiple Instance Classifier，以及三种商用化算法MammoScreen，ProFound AI和Mia。使用BCSC临床5年风险模型版本2作为AI模型的比较器。BCSC模型根据年龄、种族、一级乳腺癌家族史、既往良性乳腺活检和乳腺X线摄影乳腺密度预测无乳腺癌病史或BRCA1/2突变的女性的风险。

 

被随访的女性在北加州凯泽永久医疗集团（Kaiser Permanente Northern California）接受随访至2021年。既往患有乳腺癌或基因突变的女性被排除在外。在324009名符合条件的女性中，随机选择了13628名妇女（4.2%）的简单随机队列进行分析，其中包括193名患有乳腺癌的妇女。还纳入了2016年乳房X线检查后5年内被诊断为癌症的整个队列中的另外4391名患者。使用受试者工作特征曲线（AUC）下的时间依赖性区域计算初始乳房X线摄影检查后0至5年发生乳腺癌的风险估计。

 

图1.患者选择流程图

 

结果显示，BCSC风险大于第90百分位的女性占所有癌症的20.0%（4584例中的919例），而风险低于第10百分位的女性占所有癌症的3.2%（4584例中的149例）。AI算法结果提示，在所有人工智能算法中，风险大于第90百分位数的女性占所有癌症的24%～28%，而风险低于第10百分位的女性约占所有AI算法中癌症的2%～5%。

 

图2.五年内按风险模型类型划分的乳腺癌累积风险（A：BCSC风险模型；B：Mirai；C：MammoScreen；D：ProFound；E：Mia；F：Globally-Aware Multiple Instance Classifier）

 

BCSC显示时间依赖性AUC为0.62（95%CI：0.59～0.66），而AI算法的时间依赖性AUC范围为0.67～0.71，只有Mammoscreen（时间依赖性AUC为0.71；95%CI：0.68～0.75）和Mia（时间依赖性AUC为0.71；95%CI：0.67～0.74）显著高于BCSC（Bonferroniadjust P＜0.0016）。对于未来5年的癌症风险，BCSC显示的时间依赖性AUC为0.61（95%CI：0.60～0.62），而AI算法的时间依赖性AUC范围为0.63～0.67。除Mia外，所有算法均明显高于BCSC（Bonferroni调整后的P＜0.0016）。

 

AI和BCSC组合模型对间隔癌症风险的时间依赖性AUC范围为0.67～0.73，组合模型对未来5年癌症风险的时间依赖性AUC范围为0.66～0.68，明显高于所有单独的AI算法。同样，组合模型的5年全癌风险的时间依赖性AUC范围为0.66～0.68，高于所有单个AI算法。

 

其他亚组分析显示，在所有模型中，浸润性乳腺癌女性、BI-RADS 1或2中筛查乳房X线检查以及使用Hologic设备获取的乳房X线检查中，所有模型的完整分数与主要结果相当。在导管原位癌女性、仅在GE设备上获得的乳房X线检查和筛查乳房X线检查的BI-RADS 0女性中，某些算法的表现参差不齐，但由于样本量小，需要进一步研究。

 

该研究结果提示：在预测5年风险方面，AI算法显示对乳腺癌风险的区分明显高于BCSC临床风险模型。这突出了人工智能识别漏诊的优势。此外，如果乳房X线检查没有临床检测到癌症，在短时间内训练的人工智能算法可以预测未来长达5年的癌症风险。与单独使用AI相比，结合BCSC和AI进一步改善了风险预测，并减少了AI算法之间未来风险表现的差异。

 

我们评估了不同时间范围的风险，因为每个时间范围都有不同的临床意义。某些AI算法擅长预测间隔癌症高风险患者，这些患者通常是侵袭性癌症，可能需要第二次读取乳房X线检查，补充筛查（例如，使用乳房MRI）或短间隔随访。但是，人工智能算法预测了未来的风险，这可能会导致更频繁和密集的筛查或风险咨询，以进行一级预防。总体而言，AI算法仅在浸润性癌症的亚组分析中保持了稳健的性能。

 

除了提高性能外，与传统的临床风险模型相比，基于X线检查的AI风险模型还具有实用优势。人工智能使用单一数据源（筛查乳房X线检查），该数据源可用于大多数与乳腺癌风险预测相关的女性，从而能够在大量人群中一致有效地生成风险评分。然而，这些模型不能为女性何时开始筛查的决定提供信息。此外，乳腺X线AI风险模型还具有潜在的成本（例如，软件或硬件）以及其他实施的技术和工作流程考虑因素。一些乳腺成像实践可能已经包含计算机辅助检测AI，并且生成的评分可以同时用于未来的风险分层。

 

综上所述，乳腺X线摄影AI算法提供的乳腺癌风险预测为5年，优于BCSC临床风险模型，AI和BCSC模型的结合进一步改善了预测。人工智能模型对风险预测超过5年的临床决策的影响，需要在随访时间更长的队列中进一步研究。