一个动态风险预测模型的验证,该模型包括在多样化的人口中先前的乳房镜
Shu Jiang1, Debbie L Bennett2, Graham A Colditz1
1Division of Public Health Sciences, Department of Surgery, Washington University School of Medicine in St Louis, St Louis, Missouri.
JAMA network open
|June 6, 2025
概括
使用人工智能和先前的乳腺造影,新的动态乳腺造影风险评分 (MRS) 可以准确预测不同女性的乳腺癌风险. 这种由人工智能驱动的工具在各种种族和族群中显示出一致的性能,改善了所有人的风险预测.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能在医学中的应用
背景情况:
- 准确和广泛适用的乳腺癌风险预测对于临床实用性至关重要.
- 以前的风险模型主要在白人和黑人女性中得到验证.
- 存在着对风险预测模型的需求,这些模型可以在不同的人口中公平地执行.
研究的目的:
- 评估一个动态风险预测模型,包括先前乳腺癌风险的乳房影像.
- 在基于人口的查计划中,评估模型在种族和种族多样化的人口中的表现.
- 为了确定人工智能产生的乳房扫描风险分数 (MRS) 是否可以提高不同人口群体的预测准确性.
主要方法:
- 一项预后研究包括来自不列颠哥伦比亚省乳腺查计划 (2013-2019) 的206,929名40-74岁妇女.
- 基于人工智能的乳腺造影风险评分 (MRS) 是使用全场数字乳腺造影 (FFDM) 和最多4年的先前乳腺造影生成的.
- 使用接受器操作特征曲线 (AUROC) 下的面积来评估五年乳腺癌风险,以SEER发病率进行校准,并追踪到2023年6月.
主要成果:
- 动态MRS实现了5年的AUROC为0.78 (95%CI,0.77-0.80) 仅基于乳房图像.
- 跨种族和民族分组的表现一致:东亚人 (AUROC 0.77),土著人 (AUROC 0.77),和南亚人 (AUROC 0.75).
- 该模型在各年龄组中显示出强的表现,并确定9.0%的参与者5年风险大于3%.
结论:
- 从当前和先前的乳房造影产生的动态MRS显示了跨多元种族和民族群体的强大和公平的表现.
- 这种人工智能驱动的方法提高了乳腺癌风险预测的准确性,特别是在大规模查计划中代表性不足的群体.
- 这些发现支持动态,人工智能驱动的风险预测模型的临床实用性,用于从40岁开始的多元女性.
