AI辅助乳腺X线解读优化超声联合乳腺X线成像效能的操作性洞察

背景：乳腺癌是全球女性癌症相关死亡的首要原因，全数字化乳腺X线摄影（full field digital mammography, FFDM）联合超声检查是乳腺疾病一线检测手段，近年来人工智能（artificial intelligence, AI）被引入以提升筛查效能。目的：本研究旨在评估将乳腺AI分析整合至基线超声联合乳腺X线成像中，对乳腺病灶初诊的附加价值。方法：共纳入108例患者的133个乳腺病灶，所有患者均接受FFDM与超声检查。采用Lunit INSIGHT（韩国，适配富士胶片数字乳腺X线系统）对乳腺图像进行分析，为每个病灶生成反映恶性概率的异常评分。以病理结果为可疑病灶的金标准，良性表现病灶以密切随访为金标准，对比FFDM、超声的ACR-BI-RADS结果与AI结果。结果：超声联合乳腺X线成像的敏感性为95.9%，特异性为92.9%，诊断准确率为93.98%。AI评分与BI-RADS分类及恶性概率的相关性在所有分类中均有统计学意义（P值<0.001）。AI区分良恶性的截断值为36%，其敏感性为87.8%，特异性为85.7%，诊断准确率为86.46%。二者联合后敏感性达100%，特异性为81%，联合诊断准确率为88%，优于单独使用AI（85.7%），但仍低于超声联合乳腺X线成像的准确率（93.9%）。结论：AI解读与超声联合乳腺X线成像整合可提升敏感性，但较标准方案特异性降低。

该研究发表于《Egyptian Journal of Radiology and Nuclear Medicine》，针对乳腺癌全球高发且为女性癌症死亡首位的临床痛点展开。当前全数字化乳腺X线摄影（FFDM）是乳腺筛查核心手段，但对致密型乳腺病灶隐匿性强，常需联合超声检查弥补不足，而人工阅片存在工作负荷大、假阳性率偏高的局限。人工智能（AI）基于深度学习技术已在影像辅助诊断领域展现潜力，但其与常规超声联合乳腺X线成像的协同价值仍需更多临床验证，因此研究人员开展此项前瞻性研究，明确AI整合对初诊效能的实际影响。

研究人员开展研究的关键技术方法为：纳入2022年12月至2024年3月某机构女性影像科108例患者共133个乳腺病灶，排除BI-RADS 1、6类及有既往乳腺手术、新辅助治疗史人群以维持队列同质性。所有患者接受标准头足位（CC）与内外侧斜位（MLO）FFDM检查及高频线阵探头超声检查，由2名具有8~10年乳腺影像经验的放射科医师按ACR-BI-RADS词典行双盲阅片。采用Lunit INSIGHT（基于卷积神经网络CNN的深度学习模型）处理乳腺图像，输出0~100的异常评分，以病理或6个月随访为金标准，通过受试者工作特征（ROC）曲线确定AI良恶性截断值，采用SPSS 22行统计学分析，检验水准设为P<0.05。

研究结果部分，研究人员首先完成基线特征统计：患者年龄30~81岁，平均50±10岁；52.6%为ACR C类致密乳腺，29.3%为ACR B类，8.2%为ACR A类，9.7%为ACR D类。最终诊断中良性病灶84个（63.2%）、恶性49个（36.8%），最常见恶性病理为浸润性导管癌（IDC，24%），最常见良性为纤维腺瘤（12.8%）。FFDM最常见表现为肿块（65.4%），超声最常见表现为实性病灶（56.4%）。按ACR-BI-RADS分类，50.3%为BI-RADS 2类，9.8%为3类，17.3%为4类，22.6%为5类，其中60.1%判定为良性、39.9%判定为恶性。

超声联合乳腺X线成像的诊断效能显示：47例真阳性、78例真阴性、6例假阳性、2例假阴性，敏感性95.9%、特异性92.9%、准确率93.98%。AI评分与BI-RADS分类呈强相关（P<0.001），BI-RADS 2~5类对应AI中位评分分别为9%、31%、59%、96%；以36%为截断值，AI诊断敏感性87.8%、特异性85.7%、准确率86.46%。

二者联合后的诊断效能为：49例真阳性、68例真阴性、16例假阳性、无假阴性，敏感性提升至100%，但特异性降至80.95%，联合准确率87.9%，介于单独超声联合乳腺X线与单独AI之间。

讨论部分指出，本研究结果与现有证据一致：超声联合乳腺X线成像的高特异性与既往研究相符，而AI在致密乳腺中假阴性率更高，可能与致密腺体遮蔽病灶、部分病灶体积小或未造成结构扭曲有关；本研究中AI假阳性率高于超声联合乳腺X线，多与纤维囊性变、脂肪坏死等病变的异质性表现相关。值得注意的是，超声联合乳腺X线漏诊的2例非钙化导管原位癌（DCIS）与不典型导管增生均由AI正确识别，验证了AI的补充价值。联合策略虽未提升特异性，但实现了100%敏感性，可减少漏诊风险，尤其适用于致密乳腺人群的辅助判读。

研究结论为：乳腺AI解读与超声联合乳腺X线成像整合可显著提升敏感性，但较标准方案特异性略有降低，临床应用中需结合患者体征谨慎解读临界结果，该联合模式可作为重要的 adjunct 诊断工具优化乳腺病灶初诊流程。