AI乳腺X线摄影风险评分变化可提前6年预测乳腺癌 AI乳腺X线摄影风险评分变化可提前6年预测乳腺癌

2026年6月，FemTech World报道，涉及超过5.4万名女性的研究表明，AI乳腺X线摄影评分的变化可能帮助在诊断前数年预测乳腺癌[1]。

主要发现：后来发展为疾病的女性评分稳步上升，而未发展为疾病的女性评分基本保持稳定。这种增加可以在诊断前长达6年检测到，并在最后两年变得更加陡峭[1]。

研究设计：由哈佛医学院和医疗科技公司Clairity的Constance Lehman教授领导的研究人员分析了2009年至2019年间拍摄的筛查乳腺X线摄影图像[1]。

他们使用验证过的开源深度学习模型，仅从图像中计算5年乳腺癌风险评分。深度学习是人工智能的一种形式，训练用于识别大量数据中的复杂模式[1]。

模型特点：该模型检查整个乳腺X线摄影图像，而不是依赖有限的、预定的特征（如乳腺密度）。当估计女性的5年乳腺癌风险时，此类模型的性能优于传统风险模型和仅乳腺密度[1]。

研究人群：该研究最初包括来自6个成像站点的89,882名患者的239,703张连续二维筛查乳腺X线摄影图像，涵盖城市三级、社区基础和农村设置[1]。

所有都是标准双侧全视野数字乳腺摄影检查，拍摄时带有或不带有数字乳腺断层合成。数字乳腺断层合成使用多个低剂量X射线图像创建乳房的三维视图[1]。

最终分析：在排除后，最终分析涉及54,014名女性，中位年龄61岁，总共158,807张乳腺X线摄影图像。每名女性贡献一次指数检查和最多六次既往年度乳腺X线摄影。女性中位有3次扫描 [1]。

癌症诊断：在包括的女性中，有**817名（1%）**在指数检查后365天内被诊断为乳腺癌[1]。

这包括：

• **451名女性（55%）**患有浸润性乳腺癌
• **118名女性（14%）**患有导管原位癌（DCIS）

DCIS发生在异常细胞在乳腺导管内被发现但尚未扩散到周围乳腺组织时[1]。

评分轨迹：Lehman教授表示：“我们观察到后来发展为癌症和未发展为癌症的女性之间风险轨迹的临床相关差异。癌症患者评分的增加早在诊断前6年就可检测到，并随时间变得更加明显[1]。”

在后来被诊断为疾病的女性中，中位评分从诊断前5-6年的2.1上升到指数检查的6.6[1]。

癌症免费女性的评分保持稳定，中位值在研究的整个过程中 ranging from 1.8 to 2.2[1]。

临床意义：癌症女性中的上升在指数检查前两年最为陡峭[1]。

Lehman教授表示：“这些发现证明，仅图像中肉眼不可见的信号可以预测未来风险。这令人兴奋，因为85%被诊断为乳腺癌的女性没有显著的乳腺癌家族史或已知遗传突变[1]。”

大多数乳腺癌被认为是散发性，意味着它们不是由遗传的遗传变化或疾病家族史驱动的[1]。

传统风险模型：当在大型筛查人群中使用时，传统风险模型区分将和将不会发展为乳腺癌的女性的能力有限[1]。

研究人员表示，追踪评分如何随时间变化可以提供比在单次预约时计算风险更多的信息[1]。

个性化筛查：Lehman教授表示：“AI衍生的风险评分可以识别其他 predisposed 疾病的女性，我们的发现证明，基于图像AI风险评分随时间演变，评分变化可能提供关于未来乳腺癌风险的额外信息[1]。”

跨亚组一致：这些模式在按年龄和乳腺密度分组的女性中保持一致[1]。

乳腺密度描述了在乳腺X线摄影图像上可见的纤维和腺体组织的数量。致密组织可能使癌症更难检测到，并且还与疾病风险增加相关[1]。

减少差异：研究人员表示，基于图像的风险评分可以支持个性化筛查和风险降低策略，而不依赖自我报告或不一致的临床信息[1]。

Lehman教授表示：“这些趋势在按年龄和乳腺密度定义的亚组中保持稳健，进一步支持我们发现的普遍性。这与不同患者人群中筛查表现的持续差异特别相关。基于成像数据的动态生物标志物方法可能通过启用不依赖自我报告或不一致临床数据的基于风险的个性化来减轻其中一些差异[1]。”

临床实施：AI基于图像的风险评分已包含在2026年国家综合癌症网络指南中[1]。

该指南建议，从35岁开始，5年风险评分超过1.7%的女性应考虑乳腺MRI以及年度乳腺摄影[1]。

FDA批准：一个由美国食品药品监督管理局批准的基于图像AI模型已经在美国 selected 医疗机构中用于计算5年乳腺癌风险[1]。

未来方向：变化的评分最终可能帮助临床医生识别可能受益于额外成像或旨在降低风险的措施的女性[1]。

Lehman教授表示：“借助AI的力量、计算机视觉以及提取预测数据的能力，我们能够将成像的力量应用于风险评估和防止疾病发展。拥有动态风险评分为乳腺癌的更有效预防性疗法开辟了全新的领域，类似于我们如何筛查和治疗高胆固醇和高血压患者[1]。”