在三年一次的查计划中,对基于乳腺扫描的深度学习模型进行乳腺癌风险预测的评估
Joshua W D Rothwell1, Priya Rogers2, Nicholas R Payne1
1Department of Radiology, University of Cambridge School of Clinical Medicine, Box 218, Cambridge Biomedical Campus, Cambridge CB2 0QQ, UK.
Radiology
|October 28, 2025
概括
深度学习算法Mirai在三年内有望识别处于间隔乳腺癌 (ICs) 风险较高的女性. 这种人工智能工具可以帮助个性化查时间表,以便更早地检测.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 与传统方法相比,深度学习算法在追溯性乳腺癌风险评估中表现优越.
- 然而,在三年一次的查计划中,这些算法的有效性在预测间隔癌症 (ICs) 中仍然被低估.
研究的目的:
- 评估深度学习算法Mirai的预测准确性,以识别在3年内发展间隔癌症 (ICs) 的女性.
- 为了评估Mirai在不同年龄组和乳腺密度的表现,在英国的三年一次的乳房扫描查计划中.
主要方法:
- 进行了对134,217张年龄在50-70岁的女性的数字查乳房图进行回顾性分析.
- 迈莱算法基于负查乳房影像生成了间歇性癌症 (ICs) 的3年风险得分.
- 使用接收器运行特征曲线 (AUC) 下的面积和C指数来评估性能,并比较1,2,3年间隔的预测.
主要成果:
- 在1,2年和3年间隔内,Mirai对ICs的预测性表现一致,整体AUC在0.67到0.72.7之间.
- 该算法的预测能力在各种年龄四分位数和乳腺成像报告和数据系统 (BI-RADS) 乳腺密度类别中没有显著差异.
- 根据3年风险分数确定的前20%的女性占所有检测到的间隔癌症的42.4%.
结论:
- 米赖的深度学习算法有效地预测了三年一次进行乳房镜检查的女性间隔癌症 (ICs).
- 米赖的风险分层能力可以潜在地识别那些可能受益于更频繁的查或用于早期发现乳腺癌的额外成像的妇女.
