乳腺AI提前多年预警：筛查分数或可预测癌变风险

乳腺AI提前多年预警：筛查分数或可预测癌变风险

一、研究背景

乳腺癌筛查正迈向更注重“早期捕获风险信号”的时代。传统筛查的核心目标，是在当前乳腺X线检查中尽可能识别已存在且足够明显的可疑病灶；但临床上更具价值的问题是：在影像尚未形成典型肿块或钙化、未达到人工阅片高度警觉的阶段，AI能否从影像中提取更早期的风险线索？

2026年发表于Radiology的这项研究，正是沿此方向开展。研究团队利用瑞典乳腺筛查数据库，对31394名受检者、88963次乳腺X线检查进行分析，对比后续确诊乳腺癌与始终未患癌人群在确诊前多年内的AI检测分数动态。他们的关注点不仅是AI当下能否“发现癌”，更在于AI分数是否在癌症正式确诊前数年就已呈现上升趋势。

若此假设成立，乳腺影像AI的角色将从“辅助阅片”拓展至“长期风险预警”和“筛查分层管理”。对临床实践而言，这意味着未来筛查策略有望更精准地配置资源，例如对AI长期高分或持续攀升的人群加强随访、补充超声或MRI检查，甚至提前开展风险沟通。

二、研究核心问题

本研究旨在回答三个务实的问题。

商业化乳腺筛查AI的分数，是否在乳腺癌正式确诊前多年就已呈现上升趋势。

这种分数演变，是否比传统乳腺密度指标更早、更敏感。

若AI确能提前多年提供风险信号，它更适合作为“当前检出工具”，还是“长期风险分层工具”的组成部分。

研究者并非仅观察单一时间节点，而是将个体确诊前最长10年内的多次筛查串联分析，观察AI分数轨迹。这一设计至关重要，因其更贴近真实筛查场景，也更易回答“AI能否提前发出警报”。

三、研究设计与技术路线

本研究为回顾性分析，采用瑞典乳腺影像人工智能验证数据库。纳入范围为2008年1月至2019年4月的筛查乳腺X线检查。针对后续确诊乳腺癌的个体，研究者尽可能收集其确诊前最多10年内的所有检查；未患癌对照人群亦纳入对应时间范围的检查。

研究共评估了3套商业化AI计算机辅助检测系统。每套系统对每次乳腺X线检查输出一个原始AI分数。为便于不同系统间比较，研究者将这些原始分数转换为百分位排序分数。此举的意义在于，不同算法内部量表存在差异，而百分位更适合在统一框架下观察时间趋势。

研究还有一重要处理：研究者对数据实施上采样，使总体癌症比例接近1%，以更贴近真实筛查环境，而非停留在高度富集的“研究数据集”状态。随后采用时间分层方式分析AI分数在确诊前10年、6年、4年等不同节点的表现，并与乳腺密度这一传统风险指标比较受试者工作特征曲线下面积。

四、主要结果

研究共纳入31394名个体和88963次乳腺X线检查，其中12072人最终确诊乳腺癌。中位筛查年龄为57.6岁。

最值得关注的发现是，AI分数确实可在乳腺癌正式诊断前多年就已高于未患癌人群。在90%特异度下：

确诊前10年时，3套AI系统可潜在标记的未来癌症比例分别为12.7%、13.8%和17.0%。

确诊前6年时，该比例升至19.0%、19.6%和19.7%。

确诊前4年时，进一步升至24.2%、23.3%和25.2%。

换言之，即便在常规临床尚未正式诊断乳腺癌的多年以前，部分受检者的乳腺X线图像中已存在可被AI量化的异常模式，且这种信号随确诊时间临近而逐步增强。

综合所有时间点分析，并排除当次筛查已直接检出的癌症后，3套AI系统的AUC约为0.63至0.67，而乳腺密度作为预测指标的AUC为0.57。此结果提示，AI分数对“未来是否发生乳腺癌”的区分能力，整体优于单独使用乳腺密度。

五、这项研究真正重要在哪里

本文的价值不在于宣称AI可以“提前10年诊断乳腺癌”，而在于揭示：乳腺影像AI可能已开始捕捉到早于传统显性病灶的长期风险表型。

第一，它拓宽了乳腺筛查AI的定位。此前诸多研究将AI视为第二阅片员，目标为减少漏诊或降低阅片负担；本研究则将AI从“当次识别”推进至“纵向预警”，这是筛查医学中更具战略意义的一步。

第二，它提示影像本身可能蕴含比乳腺密度更丰富的早期风险信息。乳腺密度固然重要，但其本质上只是一个较粗略的风险标记，而AI可同时整合纹理、结构、局部模式和复杂空间特征，因而有机会在更早阶段识别高风险影像表型。

第三，它非常适合融入临床筛查流程。因为研究采用的是商业化系统和真实世界大样本筛查数据，讨论的不是实验室条件下“能否区分”，而是已部署或接近部署的系统能否支持风险分层。

六、临床应用前景与现实边界

从临床视角看，本研究最直接的启发不是立即改变诊断结论，而是为分层筛查提供依据。

未来一种可预见的路径是：若某位受检者本次筛查未达到明确召回标准，但AI分数持续高于同龄人百分位，或在数年内稳定上升，则她或许更适合接受更短间隔复查、补充超声检查、风险咨询，或在适宜人群中进一步考虑MRI检查。这种策略比“一刀切”式的统一筛查间隔更精准。

但边界也需明确。AUC 0.63至0.67说明它有信号，但远非可单独决定临床路径的“决定性工具”。AI分数升高不等于必然患癌，也不代表可脱离影像科医生和现有筛查标准独立使用。更合理的定位是将其作为现有筛查体系中的一个增量层。

此外，本研究虽使用大样本回顾性筛查数据，但仍有待前瞻性研究回答一个更关键的问题：若我们真正基于这些提前升高的AI分数改变随访策略，最终能否减少间期癌、改善分期分布，或降低乳腺癌死亡风险。

七、给临床和科普传播的启发

本研究非常适合进行中文医学科普，因为它回答的是普通人能理解、临床医生也关心的问题：AI究竟是更早看见了什么？

对于临床医生，它提示未来乳腺筛查AI的价值可能不仅是“帮我多找一个可疑病灶”，更是“帮我识别哪一类患者值得更早关注”。对于患者和公众，它也传递了一个重要信息：影像AI的意义不只是机器替代医生，而是为筛查体系增加一层更前移的风险识别能力。

若后续前瞻性研究证实，基于AI分数的风险分层能够真正带来更早诊断、更少间期癌，乳腺筛查就有望从单纯“发现现有病灶”走向“更早识别将来高风险人群”。

八、总结

这篇Radiology研究证实，在乳腺癌被正式诊断前多年，筛查乳腺X线中的AI分数就可能出现可测量升高，且整体上优于单独使用乳腺密度来预测未来癌症风险。

它的真正意义，不是宣告AI已能独立进行超前诊断，而是揭示乳腺影像中可能存在一类更早期、更隐匿、但可被算法量化的风险信号。乳腺影像AI的下一步，或许不只是“看得更准”，更是“提醒得更早”。

参考文献

Hickman N, Gialias G, Schurz A, et al. Artificial Intelligence Detection Scores in Screening Mammography for Early Breast Cancer Alerts. Radiology. 2026. PMID: 42262245.