在BOADICEA乳腺癌风险预测模型中将连续乳房扫描密度纳入
Lorenzo Ficorella1, Mikael Eriksson1,2, Kamila Czene2
1Centre for Cancer Genetic Epidemiology, Department of Public Health and Primary Care, University of Cambridge, Cambridge, United Kingdom.
JCO precision oncology
|September 26, 2025
概括
这项研究通过将自动化乳腺扫描密度测量集成到BOADICEA算法中,改善了乳腺癌风险预测. 改进的模型为女性提供了更准确的风险分层,有助于早期检测和预防策略.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 生物统计学 生物统计学
背景情况:
- 乳腺和卵巢疾病发病率和载体估计算法分析 (BOADICEA) 用于乳腺癌 (BC) 风险预测.
- 目前的BC风险模型通常依赖于手动乳房扫描密度 (MD) 评估 (例如,BIRADS),这是劳动密集型的,可能导致数据丢失.
- 自动化工具为量化MD提供了可扩展的解决方案,但它们与风险预测模型的整合需要验证.
研究的目的:
- 通过结合连续的,自动化的乳房扫描密度 (MD) 测量来增强BOADICEA算法 (v7).
- 用自动化MD数据评估扩展BOADICEA (v7.2) 在预测5年乳腺癌风险方面的表现.
- 将增强型BOADICEA的预测精度与使用传统BIRADS分类的模型进行比较.
主要方法:
- 利用了卡罗林斯卡乳腺癌风险预测项目乳腺癌队列 (n=60,276) 的数据.
- 在训练子集中使用Cox比例危险模型,估计MD连续测量 (Volpara和STRATUS) 与BC风险之间的关联.
- 将MD的危险比率 (HR) 纳入BOADICEA,并在单独的测试子集中评估扩展模型的预测性能.
主要成果:
- 持续的MD测量,特别是从STRATUS和Volpara,与BC风险增加显著相关 (HRs在1.27至1.48每SD之间).
- 扩展的BOADICEA (v7.2) 与BIRADS相比显示出更好的歧视,AUC增加1%-4%.
- 该模型将大约11%的女性重新分类为较低风险和18%的女性重新分类为较高风险类别,基于使用自动化MD的5年BC风险.
结论:
- 整合连续的MD测量,特别是来自自动化工具的测量,显著改善了乳腺癌风险分层.
- 增强的BOADICEA算法 (v7.2) 为BC风险预测提供了更准确和可扩展的方法.
- 自动化MD测量可以在临床应用的先进风险预测模型中有效地使用.
