AI风险标记的空间定位与影像学特征在乳腺癌确诊前乳腺X线片中的关联分析

AI风险标记的空间定位与影像学特征在乳腺癌确诊前乳腺X线片中的关联分析

──────────────────────────────

期刊：European Radiology（2026年，BREAST栏目，Open Access）

DOI：10.1007/s00330-026-12689-z

第一作者：Marit A. Martiniussen

通讯作者：Solveig Hofvind（挪威公共卫生研究所癌症登记处）

作者机构：挪威BreastScreen Norway筛查项目合作单位（含挪威公共卫生研究所癌症登记处、奥斯陆大学医院、挪威计算中心NCC等）

文献类型：原创回顾性研究（Retrospective observational study）

汇报类型：原创研究型文献汇报

一、研究背景与意义

乳腺癌是全球女性发病率最高的恶性肿瘤，也是癌症相关死亡的首要病因，仅2022年新发病例约230万、死亡近66.6万例。乳腺X线筛查能够实现早期识别，从而降低晚期疾病发生率、减轻治疗负担并减少乳腺癌特异性死亡率；然而其局限同样不可忽视——研究表明20%–30%的筛查期检出癌和间期癌在既往筛查中其实已存在可见征象，同时筛查本身也带来过度诊断和假阳性所致的心理负担与不必要干预。如何在提升敏感性的同时保证特异性、优化筛查流程，是当前公共卫生领域的重要议题。

近年来，以深度学习为代表的人工智能模型在乳腺癌早筛领域展现出潜力。已有研究证实，部分AI模型能够在间期癌和下一轮筛查期检出癌的前驱乳腺X线片上给出高风险评分，提示其可能捕捉到人眼难以察觉的细微恶性征象。然而，既往两项回顾性研究虽然观察到AI模型可在确诊前2年和4年的筛查影像上识别乳腺癌，却都未能系统分析AI标记的空间位置与肿瘤位置的对应关系，也未阐明究竟哪些影像特征贡献了高风险评分，使得AI在临床筛查中的真实效用和落地路径仍不明晰。

另一方面，BI-RADS（乳腺影像报告与数据系统）作为业界广泛采用的标准化词汇与评估框架，是放射科医生一致描述乳腺X线所见、对应恶性风险评估的基础。在AI时代，将AI输出与BI-RADS词典中的影像学特征进行系统映射，是评估AI模型能否嵌入现有筛查工作流的关键环节。本研究正是基于这一思路，聚焦于AI高风险评分所对应的空间位置与影像学特征，以弥补既往研究在空间对应性与特征归因方面的知识缺口。

二、研究目的

本研究基于BreastScreen Norway筛查项目2008–2018年的真实世界数据，系统回顾了在确诊前4年和2年均被两个AI模型评为最高10%风险评分的筛查期检出癌病例，深入分析AI标记在乳腺X线片上的空间位置、与最终癌灶位置的空间一致性，以及所对应影像学特征随时间的演变规律；同时评估放射科医生在当时常规双阅片流程下对这些影像的判读结果，明确AI阳性发现与放射科医生人工判读之间的差异，旨在为AI模型在乳腺癌筛查中的临床定位与工作流整合提供循证依据。

三、研究方法

3.1 研究设计与数据