多项研究显示，乳腺癌风险模型可用来指导临床进行预后及诊治评估。目前，临床上已经开发了几种模型来评估普通人群患乳腺癌的风险，包括乳腺癌风险评估工具 (Gail模型)、乳腺癌监测协会 (BCSC）和国际乳腺癌干预策略 (Tyrer-Cuzick风险模型)。这些模型包括年龄因素(如乳腺癌家族史、种族和民族史，以及以往有良性结果的乳腺活检)、乳腺密度，但在预测乳腺癌的5年或10年风险方面差异甚微。

基于计算机视觉的人工智能 (AI) 模式可以潜在地提高临床风险因素之外的风险预测。其中，乳腺密度是最常纳入临床风险模型的成像生物标志物。然而，大多数基于乳腺钼靶的算法仅用于辅助放射科医生在筛查图像时标记的肿瘤 ，而不能预测乳腺钼靶阴性结果后的未来风险。一些研究已经评估了乳腺钼靶训练的人工智能算法预测未来乳腺癌风险的能力，这表明与单独的临床风险模型相比，风险预测有了实质性的改进。然而据我们所知，目前临床上尚不清楚计算机辅助检测或诊断算法是否适用于较短的时间范围(即风险评估的时间)，以及是否适用于乳腺钼靶的主要问题。

近日，发表在Radiology杂志上的一篇研究采用了美国ARGC社区队列的乳腺钼靶阴性检查进行模型建立，并与Cach或HER和BCSCCclin-cal模型进行了比较，并评估了结合AI和BCSC风险模型在风险预测改善中的能力及价值。

本项回顾性病例队列研究包括了2016年乳腺钼靶检查阴性（没有可见的癌症证据）的患者数据，之前患有乳腺癌或基因突变的患者被排除在外。在符合条件的324009名女性患者中，随机选择了一个亚群，无论癌症状况如何，所有乳腺癌患者都被加入其中。将指数筛查乳腺钼靶检查用作五个人工智能算法的输入以产生连续分数，与BCSC临床风险分数进行比较。使用与时间相关的接受者操作特征曲线下的面积（AUC）计算初始乳腺钼靶检查后0至5年的乳腺癌发病风险估计。

该子群包括13628名患者，其中193名患者发生癌症。符合条件的患者（324009人中的另外4391人）的癌症事件也被纳入研究。对于0至5年内发生的癌症，BCSC的时间依赖性AUC为0.61（95% CI: 0.60, 0.62）。AI算法的时间依赖AUC比BCSC高，从0.63到0.67不等（Bonferroni调整后的P < .0016）。联合BCSC和AI模型的时间依赖性AUC略高于单独的AI（AI与BCSC的时间依赖性AUC范围，0.66-0.68；Bonferroni调整的P < .0016）。

 表 CSC联合临床风险模型的时间依赖性AUC性能比较

本项研究表明，当使用乳腺钼靶阴性结果进行筛查时，AI算法在预测0至5年的乳腺癌风险方面比BCSC风险模型的表现更好。同时，AI和BCSC模型的结合进一步提高了预测效果。 

原文出处：

Vignesh A Arasu,Laurel A Habel,Ninah S Achacoso,et al.Comparison of Mammography AI Algorithms with a Clinical Risk Model for 5-year Breast Cancer Risk Prediction: An Observational Study.DOI:10.1148/radiol.222733