乳腺癌是全球女性中最常见的癌症，也是导致女性癌症死亡的主要原因之一。乳腺钼靶筛查作为二级预防措施被推荐用于通过早期发现乳腺癌来降低其死亡率。与单人次读片相比，乳腺钼靶筛查的双人读片具有更高的敏感性，并且在双人读片后应通过达成共识或进行仲裁来决定是否召回受检女性。大多数欧洲国家都采用双人读片的方式。

乳腺钼靶筛查既有好处也有弊端。假阳性的筛查结果可能会给女性带来负担，并且对乳腺中心、医护人员和社会而言都耗费资源。此外，假阴性的筛查结果可能会导致诊断延误，表现为间隔期癌症或在后续筛查轮次中发现的更晚期的筛查确诊乳腺癌。在一些欧洲国家，乳腺放射科医生的短缺也是乳腺钼靶筛查面临的一个挑战。

在过去的几年里，人工智能（AI）已发展成为放射学领域和乳腺钼靶筛查中一种很有前景的图像解读工具。多项回顾性研究和一些前瞻性研究已证明，人工智能在乳腺钼靶筛查图像解读中，无论是用于分诊、独立判读还是作为放射科医生的决策支持工具，都具有一定的潜力。在图像解读过程中使用人工智能的一个潜在好处是，在不降低筛查敏感性的情况下减少读片工作量。其他好处可能包括提高癌症检测率和减少假阳性筛查结果的数量。

在将人工智能应用于乳腺钼靶筛查的图像解读流程之前，需要对算法在真实筛查数据上进行全面的评估和验证。为了确保实施的策略是最优且安全的，需要了解算法在不同操作点的敏感性。此外，了解人工智能评分与组织病理学肿瘤特征以及乳腺钼靶特征之间的关联，对于放射科医生确保安全实施和实现长期成本效益至关重要。

最近，发表在European Radiology 上的一篇文章回顾性评估一款获得欧盟 CE 认证的人工智能系统在乳腺钼靶筛查中识别乳腺癌的性能。

研究使用了 2004 年至 2021 年期间在挪威乳房筛查项目（BreastScreen Norway）的十个乳腺中心进行的筛查检查数据。在标准的独立双人读片模式下，每位放射科医生对每个乳房的情况从 1（阴性）到 5（高度怀疑癌症）进行评分。该人工智能系统为每次检查分配一个阴性倾向（NT）评分和一个阳性倾向（SN）评分；NT 评分旨在将检查分类为阴性，且误分类的情况尽可能少，而 SN 评分旨在将检查分类为阳性，且具有较高的置信度。N70 被定义为 NT 评分最低的 70% 的检查，P3 被定义为 SN 评分最高的 3% 的检查。

研究样本共纳入了 1,017,208 次筛查检查。在 N70 范围内，筛查发现的癌症中有 1.8%（107/5977）被判定为阴性，间隔期癌症中有 34.5%（625/1812）被判定为阴性。使用 P3 来定义阳性病例时，筛查发现的癌症中有 81.5%（4871/5977）被判定为阳性，间隔期癌症中有 19.0%（344/1812）被判定为阳性。在 N70 范围内的筛查发现的癌症中，11.2%（12/107）的病例被两位放射科医生的解读评分均大于 2。

表 筛查检测到的癌症（SDC）、间隔期癌症（IC）和所有癌症病例（SDC + IC）使用(a)正常分诊评分和(b)安全网评分分类为阴性/阳性

本项研究显示，该人工智能系统在识别阴性病例和癌症病例方面表现良好。因此，该人工智能系统可用于减轻放射科医生的工作负担，并有可能提高乳腺钼靶筛查的敏感性。

原始出处：

Tone Hovda,Marthe Larsen,Marie Burns Bergan,et al.Retrospective evaluation of a CE-marked AI system, including 1,017,208 mammography screening examinations.DOI:10.1007/s00330-025-11521-4