基于人工智能的评分作为阴性乳腺摄影检测到许多漏诊乳腺病变后补充MRI的选择工具

在随机ScreenTrustMRI研究中，应用AISmartDensity(一种最近开发的人工智能(AI)工具)对每张乳房x线照片进行评分，以确定在乳房x线照片筛查阴性后存在未检出乳腺病变风险的妇女，作为补充磁共振成像(MRI)的选择方法，在病变检测方面比基于传统密度测量和风险模型的次优方法有效约四倍。

瑞典斯德哥尔摩卡罗林斯卡大学医院病理和乳腺放射科的Fredrik Strand博士及其同事在2024年7月8日的杂志上发表了这一发现，他们发现的大多数其他病变都是侵袭性的，有几个是多灶性的，这表明他们的检测是及时的《自然医学》.

通过筛查乳房x线照相术实现的早期检测降低了乳腺病变死亡率。然而，在接受筛查的女性中，约30%的病变被诊断为间断性病变。间断性病变可能逃避筛查，因为它们可能快速生长，并且在筛查时不出现在乳房x光片上，被放射科医师遗漏，或者在那时乳房x光片检查不到。间断性病变表现出侵袭性生物学，预后相对较差。

对于乳房极其致密的女性，乳房x线照相术的灵敏度降低，而MRI的灵敏度不受影响。先前的研究表明，通过使用MRI对具有高乳腺x线摄影密度的妇女进行补充筛查，可以减少间断性病变的数量。然而，由于缺乏合格的MRI人员，购买设备昂贵，并且筛查的成本效益可能不令人信服，MRI的应用目前受到限制。因此，需要一种有效的方法来对个体进行分类以进行补充MRI筛查。

AISmartDensity有一个模块化结构，由三个组件模型组成，用于评估潜在风险、潜在掩盖和可疑病变体征。ScreenTrustMRI研究的主要终点是在初始筛查后27个月的随访中，检查随机接受MRI检查的人群与随机接受非MRI检查的人群中晚期病变的发生率。次要终点包括补充MRI的病变检测、参与者参与度、AI评分分布、病变特征、放射过程测量和问卷回复。

晚期病变被定义为以下任何一种:间断性病变、侵袭性成分大于15 mm和淋巴结阳性病变，或符合特定标准的筛选检测的病变，例如间断性病变、侵袭性成分大于15 mm的病变或淋巴结转移。

该研究于2021年4月1日开始纳入，于2023年4月7日结束纳入，最后一名纳入患者的随访期将于2025年8月结束。中的报告《自然医学》侧重于随机接受补充MRI检查的个体的其他病变的检测。研究方案中预先规定次要终点可以在主要终点之前报告。研究假设是，在导致病变诊断的MRI检查比例方面，基于人工智能的图像分析将提供比传统密度更有效的选择工具。

研究人员向筛查乳房x光片阴性且AI评分高(最高6.9%)的个人提供了参与研究的机会。在同意参与后，个体被随机分配到两组中的一组:接受补充核磁共振成像的和不接受核磁共振成像的。与之前临床试验中使用的传统乳房密度测量方法相比，当前的人工智能方法在每1000次MRI检查中检测到的病变方面的效率提高了近4倍(64比16.5)。

MRI后回忆的个体阳性预测值为38%，活检的个体阳性预测值为50.7%。这些恶性病变大多具有侵袭性成分。根据病理学分析，浸润性病变的中值大小为13 mm，小于之前报道的斯德哥尔摩地区类似乳腺中心的乳房x线照相筛查检测的病变和区间病变的平均大小15.8 mm和19.6 mm。值得注意的是，在选择用于补充MRI的人群中检测到的大多数病变表现出侵袭性特征。这可以归因于人工智能工具和核磁共振成像技术的结合。

作者评论说，即使aismartddensity可能比使用BI-RADS D捕捉到大约四倍多的病变，也可能有一些由BI-RADS D识别的病变，aismartddensity非常高可能会错过。

作为一种有可能减少MRI使用并进一步提高成本效益的替代方法，建议放射科医生重新审查所有AISmartDensity评分非常高的女性的乳房x线照片。对这种方法的评估计划作为事后读者研究。

此外，随后的随访研究将确定对预测重要的病变特征的影响的主要结果。

资金由斯德哥尔摩地区、Medtechlabs、瑞典乳腺病变协会、瑞典病变协会赠款和瑞典研究委员会赠款提供。卡罗林斯卡学院提供了开放获取资金。

参考

萨利姆，刘，苏尔凯，以及其他人基于人工智能的人群乳腺病变筛查中补充MRI的个体选择:随机ScreenTrustMRI试验. 《自然医学》；2024年7月8日在线发布。DOI:https://doi.org/10.1038/s41591-024-03093-5