乳腺密度评估新突破：人工智能在 mammography 中标准化 ACR 分类的性能验证

《Egyptian Journal of Radiology and Nuclear Medicine》：Advancing mammography: evaluating the performance of artificial intelligence in estimating mammographic breast density

本研究针对乳腺密度视觉评估存在主观性强、观察者间差异大等问题，探讨了人工智能（AI）在数字化乳腺X线摄影（FFDM）中自动评估ACR BI-RADS乳腺密度分级的可行性。通过对比592例患者的AI分析结果与两名放射科医师的独立评估，发现AI与经验丰富的医师达成近乎完美的一致性（κ=0.879），显著提升了密度分类的客观性与可重复性，为个性化乳腺癌筛查策略提供了关键技术支撑。

　　

乳腺密度不仅是乳腺癌的重要风险因子，还直接影响筛查 mammography 的敏感性与特异性。然而，传统的视觉评估方法依赖放射科医师的主观判断，易受经验差异影响，导致分类结果不一致，进而影响风险分层与随访决策的准确性。尤其在致密型乳腺（ACR BI-RADS 分类中的C类与D类）人群中，腺体组织重叠更易掩盖病变，增加假阳性与召回率。随着人工智能技术在医学影像领域的快速发展，基于深度学习的自动化工具为乳腺密度评估提供了新的解决方案。

本研究旨在验证AI系统在数字化乳腺X线摄影中自动评估ACR乳腺密度的性能，并与放射科医师的诊断结果进行对比。研究团队回顾性纳入了592名成年女性的全视野数字化乳腺X线摄影（FFDM）图像，所有图像均包含头尾位（CC）与斜侧位（MLO）视图。两名经验丰富的乳腺影像医师在互盲条件下独立完成密度分类（ACR A-D），同时使用基于卷积神经网络（CNN）的Lunit INSIGHT FFDM软件对图像进行自动化分析。通过交叉表与Cohen's kappa系数评估AI与医师之间的一致性。

关键技术方法包括：使用富士数字化乳腺X线设备（Amulet Innovality）采集图像；由两名分别具备3年与7年经验的医师进行盲法评估；采用预训练CNN模型自动分割乳腺区域并计算纤维腺体组织占比，输出1-10分的密度评分并映射至ACR类别；通过SPSS进行统计学分析，重点评估分类一致性与评分相关性。

研究结果

乳腺密度分布

AI系统与两名医师的密度分类分布基本吻合，其中AI判定A类62例、B类234例、C类265例、D类31例，与医师评估的总体趋势一致。

读者与AI的一致性

AI与医师1的一致性高达92.4%（κ=0.879，几乎完美），尤其在B类与C类中分别达到99.1%与86.0%的吻合度；与医师2的一致性为73.6%（κ=0.599，中等），差异主要集中于中间密度类别的判定。两名医师之间的一致性为70.3%（κ=0.552），进一步凸显了视觉评估的主观波动性。

AI数值评分与ACR类别的关联

AI输出的1-10分密度评分与ACR类别呈现显著对应关系：评分1-2对应A类（脂肪型），3-5分对应B类（散在纤维腺体），6-8分对应C类（不均匀致密），9-10分对应D类（极度致密）。统计检验证实该映射关系具有高度显著性（p<0.001）。

讨论与结论

本研究证实了AI在乳腺密度评估中具备与专业放射科医师相近的判别能力，其自动化、定量化的特性有望显著降低主观评估的变异度。尤其在与高年资医师的高度一致性支持下，AI可作为辅助工具提升报告标准化水平，减少因密度分类不一致导致的临床决策差异。此外，AI提供的连续数值评分（1-10分）为风险分层提供了更精细的维度，有助于推动个体化筛查方案的制定。

然而，本研究仍存在一定局限性，如单中心设计、样本量有限，且未评估AI对乳腺癌检出率或召回率的实际影响。未来需通过多中心、多平台研究进一步验证AI工具的泛化能力，并探索其与超声、MRI等补充影像的协同价值。总体而言，AI驱动的乳腺密度评估技术为优化乳腺癌筛查流程、实现精准风险预警提供了重要技术支持，有望成为乳腺影像工作流程中的标准化环节。

（论文发表于《Egyptian Journal of Radiology and Nuclear Medicine》，作者：Eman Badawy^1*, Mai Mostafa Ahmed Attyia², Mirna Messiha¹, Soha Talaat Hamed¹, Dalia Salaheldin Elmesidy¹；¹Kasr Alaimy Hospital Radiology Department, Cairo University；²New Cairo Specialized Hospital）