AI乳腺X线摄影风险评分动态变化可提前6年预测乳腺癌：哈佛研究显示评分轨迹比单次评估更具预测价值 AI乳腺X线摄影风险评分动态变化可提前6年预测乳腺癌：哈佛研究显示评分轨迹比单次评估更具预测价值

一项由哈佛医学院和医疗技术公司Clairity领导的大型研究为乳腺癌早期预测带来了突破性进展。研究显示，AI生成的乳腺X线摄影风险评分的动态变化可提前6年预测乳腺癌发病，且评分轨迹比单次风险评估更具预测价值[1]。

研究背景

乳腺癌筛查的现状与挑战

乳腺癌是全球女性最常见的恶性肿瘤之一。尽管乳腺X线摄影筛查已广泛使用，但现有风险预测模型存在局限性：

• 主要依赖 demographic 信息（年龄、家族史等）和临床记录
• 对散发性乳腺癌（占85%，无显著家族史或已知基因突变）的预测能力有限
• 乳腺密度等传统影像特征提供的信息有限

AI在乳腺影像中的潜力

深度学习（AI的一种形式）可识别影像中的复杂模式，无需依赖预定义特征。近年来的研究表明，基于AI的乳腺X线摄影风险评分在预测5年乳腺癌风险方面优于传统风险模型和单纯的乳腺密度评估。

然而，大多数研究仅关注单次AI风险评分的预测价值，而未探讨评分随时间变化的预测价值。

研究方法

这项大型回顾性队列研究分析了2009年至2019年间进行的乳腺X线摄影检查。

研究设计

• 研究人群：54,014名女性，中位年龄61岁，共158,807次乳腺X线摄影检查
• 影像数据：标准的双侧全视野数字乳腺X线摄影，含或不含数字乳腺断层合成（tomosynthesis）
• AI模型：经过验证的开源深度学习模型，仅基于影像计算5年乳腺癌风险评分
• 评分计算：模型检查整个乳腺X线摄影图像，而非依赖有限的预定特征（如乳腺密度）
• 随访：从指数检查（index examination）开始随访1年

研究人群详情

• 最初纳入89,882名患者的239,703次连续2D筛查乳腺X线摄影
• 数据来自6个影像中心，涵盖城市三级医疗中心、社区医疗机构和农村地区
• 排除后，最终分析包括54,014名女性，每人贡献1次指数检查和最多6次既往年度检查
• 每位女性的中位检查次数为3次

主要发现

研究结果显示了一个令人惊讶且具有重要临床意义的模式：

1. AI风险评分的动态变化可预测乳腺癌

• 癌症患者：AI风险评分在中位5-6年前为2.1，到指数检查时上升至6.6（评分持续上升）
• 健康女性：AI风险评分保持稳定，中位值在1.8-2.2之间波动

2. 评分变化可提前6年检测到

癌症患者的AI风险评分上升在诊断前6年即可检测到，且在诊断前2年加速上升。

3. 评分变化比单次评分更具预测价值

传统风险模型提供的是”静态”风险估计（如”您未来5年的乳腺癌风险为X%”），而这项研究表明，“动态”风险轨迹（评分如何随时间变化）可提供额外信息。

4. 模式在不同亚组中一致

评分变化模式在不同年龄组和乳腺密度亚组中保持一致，增强了结果的普遍适用性。

临床意义

这项研究的结果具有重要的临床意义：

1. 动态风险监测

传统乳腺癌筛查采用”一刀切”的方法（如每年一次乳腺X线摄影）。这项研究为个性化筛查提供了依据：通过监测AI风险评分的变化，识别那些可能需要更频繁筛查或额外成像（如乳腺MRI）的女性。

2. 早期干预

如果AI风险评分在数年内持续上升，临床医生可考虑在早期阶段（甚至 before 癌症发生）采取风险降低措施，如：

• 生活方式干预（饮食、运动、体重管理）
• 药物预防（如他莫昔芬、芳香化酶抑制剂）
• 加强监测

3. 减少过度诊断和过度治疗

对于AI风险评分保持稳定且处于低水平的女性，可能可以延长筛查间隔，避免不必要的活检和焦虑。

4. 减少健康不平等

基于影像的AI风险评分不依赖自我报告或临床记录（这些可能存在不一致或缺失），因此可能减少不同人群之间的筛查性能差异。

技术细节

AI模型的特点

• 开源：模型是开源的，可被研究者和临床医生自由使用
• 验证：模型已在大型队列中验证
• 全图像分析：模型检查整个乳腺X线摄影图像，而非局限于预定义区域或特征
• FDA批准：类似的开源模型已获FDA批准，用于计算5年乳腺癌风险

与传统风险模型的比较

传统风险模型（如Gail模型、Tyrer-Cuzick模型）通常纳入以下因素：

• 年龄
• 种族
• 乳腺密度
• 月经周期年龄
• 首次活产年龄
• 乳腺癌家族史
• 既往乳腺活检史

这些因素在预测散发性乳腺癌方面的能力有限。相比之下，AI模型仅基于影像即可提供准确的 Risk 评估，且动态变化可提供额外信息。

研究结果的应用

2026年NCCN指南

AI影像风险评分已纳入2026年国家综合癌症网络（NCCN）指南。指南建议：

• 从35岁开始，5年风险评分>1.7%的女性应考虑在年度乳腺X线摄影之外增加乳腺MRI

临床实施

FDA批准的AI影像模型已在美国部分医疗机构使用，用于计算5年乳腺癌风险。未来，随着技术的成熟和成本的降低，AI风险评分可能成为标准护理的一部分。

研究局限性

作者指出了几项研究局限性：

1. 回顾性设计：作为回顾性研究，无法确定因果关系。

2. 单一医疗系统：研究数据来自美国6个影像中心，可能限制了结果的普遍性（尽管研究特意纳入了不同类型的医疗机构）。

3. 种族多样性：研究人群的种族多样性可能不足，限制了结果在其他种族群体中的适用性。

4. 临床结果：研究仅评估了AI风险评分与乳腺癌诊断之间的关联，未评估其对临床决策和健康结果的影响。

未来研究方向

基于这项研究的发现，未来研究可以探索以下方向：

1. 前瞻性验证：开展前瞻性研究，验证AI风险评分动态变化在临床实践中的预测价值。

2. 干预研究：评估基于AI风险评分的个性化筛查策略是否改善健康结果（如降低晚期乳腺癌发病率和死亡率）。

3. 多中心验证：在不同人群和医疗系统中验证结果。

4. 技术优化：优化AI模型，提高其预测准确性、可解释性和公平性。

结论

这项由哈佛医学院领导的大型研究为乳腺癌早期预测和个性化筛查提供了令人兴奋的新证据。

研究表明，AI生成的乳腺X线摄影风险评分的动态变化可提前6年预测乳腺癌发病。这一发现强调需要从”静态风险评估”转向”动态风险监测”，为每位女性制定个性化的筛查和预防策略。

未来，随着AI技术的进一步发展和临床实施的成熟，我们可能迎来乳腺癌筛查和预防的新时代——一个基于数据驱动、个性化、动态监测的时代。这对于降低全球女性的乳腺癌负担具有深远意义。

对于女性来说，这项研究传递了一个希望的信息：通过利用AI的力量，我们可以在癌症发生之前识别风险，并采取行动预防或早期发现疾病。定期检查、关注风险变化、与医疗提供者讨论个性化筛查策略，是保护自身健康的重要步骤。