在乳腺筛查项目中加入人工智能病例恶性评分功能以减轻阅片工作量：回顾性REAI项目的结果

《La radiologia medica》：Adding artificial intelligence case malignancy scoring to reduce screen-reading workload in breast screening program: results of the retrospective REAI program

乳腺筛查中AI置信度评分（AI-CMS）的应用研究显示，将AI作为初筛读者（阈值5%-25%），可减少放射科医生工作量13.4%-36.1%，同时保持癌症检出率5.4‰不变，预测阳性值提高至12.6%-13.3%，假阳性率降低至3.5%-3.8%。经济测算表明6-8年可收回CAD系统成本，实现17,800-590,000欧元净收益。

　　

摘要

目的

AI病例恶性评分（AI-CMS）表示人工智能算法对乳腺X光检查结果为恶性的置信度（范围为0%至100%）。本研究旨在通过使用真实世界数据进行模拟，回顾性地评估一种将AI-CMS整合到标准筛查流程中的策略，以减轻放射科医生的工作负担。

方法

研究回顾了2023-2024年雷焦艾米利亚乳腺筛查计划（REBSP）中连续进行的89,176次筛查检查，其中包含479例经活检确认的癌症病例（间期癌数据仅部分可用，因此无法评估实际筛查流程中未发现的假阴性病例）。在所提出的策略中，计算机辅助检测（CAD）作为读取器（CR），对AI-CMS评分超过预设阈值（范围为5%至25%）的女性进行召回。如果第一位放射科医生（HR1）与CR的意见不一致，该病例将转交给第二位放射科医生（HR2）；如果两位医生意见仍不一致，则再转交给第三位放射科医生（HR3）。针对每个阈值，研究人员计算了最终召回率（RR）、癌症检测率（CDR）、检测到的癌症数量（DC）、召回病例的预测阳性值（PPV）、假阳性率（FPR）、人工阅读工作量以及经济影响。

结果

当AI-CMS阈值为5%、8%、10%、15%、20%和25%时，人工工作量分别减少了13.4%至36.1%。最终召回率（RR）在4.3%至4.0%之间，略低于当前人工双读法的4.4%。预测阳性值（PPV）在12.6%至13.3%之间，高于目前的12.2%。假阳性率（FPR）在3.8%至3.5%之间，低于目前的3.9%。在AI-CMS阈值达到5%的情况下，没有漏诊任何真阳性病例，且检测到的癌症数量（CDR）与当前双读法保持一致（均为5.4‰）。考虑到CAD的回收期分别为6年或8年，该策略带来的经济效益在17,800欧元至590,000欧元以上。

结论

将AI-CMS支持整合到标准筛查流程中可以显著减少筛查工作量，并在不影响癌症检测率的情况下略微减少不必要的检查。尽管这种方法受到回顾性模拟设计和间期癌数据部分可用性的限制，但已被证明在经济上是可行的。