查乳腺癌风险评估:一种混合人工智能方法
Raquel Tendero1,2, Andrés Larroza1, Francisco Javier Pérez-Benito1,2
1Instituto Tecnológico de la Informática, Universitat Politècnica de València, Camino de Vera s/n, 46022, València, Spain.
European radiology
|September 11, 2025
概括
将临床和乳房扫描数据与人工智能 (AI) 整合起来,可显著改善2年乳腺癌风险预测. 结合两种数据类型的混合人工智能模型优于单源模型,用于增强早期检测.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 目前的乳腺癌风险模型在预测准确性方面存在局限性.
- 准确的短期风险预测对于及时干预和个性化查至关重要.
研究的目的:
- 评估是否使用人工智能 (AI) 将临床数据与乳房扫描特征集成,与单个数据源模型相比,提高了2年乳腺癌风险预测.
- 评估混合人工智能模型的性能,将临床和成像数据与只使用一个数据类型的AI模型相结合.
主要方法:
- 进行了一项追溯的嵌套病例控制研究,涉及2193名女性 (418例,1775名对照).
- 评估了三种人工智能模型:一种混合模型 (临床+成像数据),一种仅图像模型 (CNN) 和一种临床+成像模型 (ERTpd+im).
- 使用接收器操作特征曲线 (AUC) 下的面积来评估模型性能,并评估乳腺密度和癌症检测类型的稳定性.
主要成果:
- 混合人工智能模型实现了0.75的最高AUC,明显超过仅图像CNN模型 (AUC,0.74) 并略高于ERTpd+im模型 (AUC,0.74).
- 仅使用个人数据 (ERTpd) 或图像数据 (ERTim) 的AI子模型的AUC分别为0.59和0.73.
- 混合模型在乳腺密度四分位数中表现一致,并在查检测癌症 (AUC,0.79) 与间隔癌症 (AUC,0.59) 相比,显示出更高的精度.
结论:
- 通过混合人工智能模型整合临床和乳房扫描数据,显著改善了2年乳腺癌风险预测.
- 混合人工智能方法提供了更高的准确性和稳定性,优于依赖单个数据源的模型.
- 这种人工智能驱动的整合支持个性化查策略,并优化乳腺癌的早期检测,特别是在查检测的情况下.
