编辑推荐：
本推荐聚焦乳腺密度与乳腺癌关联。为探究患癌与未患癌乳房的密度纵向变化差异，研究人员基于挪威 78,182 名女性数据，运用线性混合效应模型分析。发现患癌乳房密度下降更少，该结果对乳腺癌风险预测及筛查个性化意义重大。
乳腺癌是全球女性最常见的恶性肿瘤之一，其发病机制复杂，早期筛查和风险预测对改善患者预后至关重要。乳腺密度（mammographic density）作为乳腺癌的独立风险因素，不仅与肿瘤发生密切相关，还可能影响乳房 X 光检查（mammography）的敏感性 —— 高密度乳腺组织可能掩盖肿瘤，导致晚期肿瘤检出率升高。然而，关于乳腺密度在乳腺癌确诊前的纵向变化规律，尤其是患癌乳房与未患癌乳房的差异，目前研究结论尚不一致，且多数研究样本量有限或基于非人群筛查数据，限制了其普适性。
为填补这一研究空白，挪威癌症登记处（The Cancer Registry of Norway）等机构的研究人员开展了一项大规模回顾性队列研究。该研究依托挪威国家乳腺癌筛查项目（BreastScreen Norway），纳入 2007-2020 年间 78,182 名 50-69 岁女性的三次连续筛查数据，其中 970 例为筛查检出乳腺癌（screen-detected cancer），308 例为间隔癌（interval cancer）。研究通过自动化软件（Volpara）量化双侧乳房的绝对致密体积（absolute dense volume，cm3）和百分比致密体积（percent dense volume，%），采用线性混合效应模型（linear mixed-effects regression model）分析不同乳房的密度变化趋势，同时调整年龄、体重指数（BMI）、激素治疗史等混杂因素。该研究成果发表在《Breast Cancer Research》，为乳腺癌风险预测提供了新的视角。
研究主要技术方法包括：
- 数据来源与样本筛选：数据来自挪威 Rogaland、Hordaland 等郡的乳腺癌筛查项目，排除数据缺失、非连续筛查等不合格样本，最终形成包含三次连续筛查结果的队列。
- 密度量化：使用 Volpara 软件对乳房 X 光影像进行自动化分析，获取每侧乳房的绝对致密体积、乳房总体积及百分比致密体积，并基于百分比致密体积进行 Volpara 密度分级（VDG 1-4）。
- 统计模型构建：以乳房为单位，构建线性混合效应模型，评估随访时间与乳腺癌发生对乳腺密度的交互作用，同时调整多项乳腺癌风险因素。
研究结果
1. 研究队列基线特征
- 年龄与密度分布：无癌女性第三次筛查平均年龄为 62.5 岁，筛查检出癌和间隔癌患者诊断时平均年龄分别为 62.3 岁和 61.9 岁。无癌女性中，20.6% 为 VDG1（极低密度），4.6% 为 VDG4（极高密度）；患癌女性中，VDG4 比例略高（5.7%）。
- 密度纵向变化趋势：
- 无癌女性：绝对致密体积随筛查轮次逐渐下降（从 47.7 cm3 降至 45.8 cm3），百分比致密体积因乳房总体积增加而显著降低（从 6.6% 降至 6.1%）。
- 患癌女性：筛查检出癌乳房的绝对致密体积保持稳定（53.0-52.2 cm3），间隔癌乳房甚至略有上升（59.6-59.2 cm3），百分比致密体积下降幅度显著小于无癌乳房。
2. 统计模型验证
- 时间与癌症的交互作用：模型显示，随访时间对乳腺密度有总体负向影响（绝对体积估计值 =-0.010，95% CI -0.010~-0.009；百分比体积估计值 =-0.013，95% CI -0.014~-0.013），但患癌乳房的密度下降速率显著慢于无癌乳房（交互项估计值 = 0.009，95% CI 0.004~0.014），提示患癌乳房的密度更 “稳定”。
- 风险因素影响：BMI 与百分比致密体积呈负相关（估计值 =-0.005），激素治疗、家族史等因素对密度变化影响较小。
3. 乳房水平与个体水平分析
- 乳房水平：患癌乳房的绝对致密体积在随访期间无显著下降，而对侧未患癌乳房及无癌女性乳房均呈下降趋势；间隔癌乳房的密度变化幅度大于筛查检出癌乳房。
- 个体水平：患癌女性整体的密度下降幅度小于无癌女性（绝对体积估计值 = 0.006，百分比体积估计值 = 0.007），进一步支持患癌相关的密度变化差异。
研究结论与讨论
本研究通过大规模人群队列证实，患癌乳房的乳腺密度纵向下降幅度显著小于未患癌乳房及无癌女性乳房，这一差异在间隔癌中更为明显。机制上，可能与癌周间质成分稳定或增殖、肿瘤微环境影响有关，而非单纯肿瘤体积效应。
研究意义体现在：
- 风险预测优化：结合乳腺密度纵向变化特征，可提升乳腺癌风险预测模型的准确性，尤其在 4-6 年时间窗内，为个性化筛查间隔（如缩短高密度女性的筛查周期）提供依据。
- 技术整合潜力：与人工智能（AI）风险评分结合，有望开发高精度预测工具，弥补传统筛查对高密度乳腺的局限性。
- 临床实践指导：欧洲乳腺影像学会（EUSOBI）已推荐对极高密度女性进行补充筛查（如数字乳腺断层摄影），本研究进一步支持将密度变化趋势纳入筛查决策。
尽管研究存在随访因素数据不全、人群种族单一等局限，但其基于客观自动化密度测量和大样本队列的设计，为乳腺密度动态监测在乳腺癌防控中的应用奠定了重要基础。未来需进一步探索密度变化与分子亚型的关联，以及长期随访下的预测效能，推动精准筛查策略的广泛实施。
