编辑推荐：
为解决乳腺 X 线摄影诊断假阳性 / 阴性率高、BI-RADS 0/3-4 分类临床决策难题，研究人员开发多视图多层级卷积神经网络 AI 系统（AIS）。在亚洲人群数据中，AIS 诊断恶性肿瘤 AUC 达 0.933-0.995，显著优化 BI-RADS 分层，为临床提供新辅助工具。
乳腺癌是威胁女性健康的 “头号杀手”，其发病率逐年攀升，而早期诊断是降低死亡率的关键。乳腺 X 线摄影作为常用筛查手段，虽有重要价值，但受个体差异（尤其是乳腺密度）和放射科医生经验限制，人工判读的假阳性和假阴性率居高不下。例如，BI-RADS 4 类的恶性预测范围宽达 2%-95%，导致临床决策困难，BI-RADS 0 类常需进一步检查，增加患者负担。此外，亚洲女性乳腺致密比例高，病变显示模糊，现有 AI 研究多聚焦高加索人群，针对亚洲人群的研究匮乏。因此，开发精准、适用于亚洲人群的乳腺癌辅助诊断工具迫在眉睫。
为此，郑州大学附属河南省人民医院等机构的研究人员开展了相关研究，旨在构建一种基于多视图和多层级卷积神经网络的人工智能系统（AIS），以提升乳腺癌在乳腺 X 线摄影中的检测、诊断及 BI-RADS 分类能力。研究成果发表在《Insights into Imaging》。
研究人员构建了包含两个关键步骤的 AIS：首先，通过补丁级（patch-level）多任务网络对可疑病变进行定位和特征学习，生成恶性病变热图；然后，将原始乳腺 X 线摄影的头尾位（CC）和内外斜位（MLO）图像与热图结合，输入 EfficientNet-B0 网络进行乳腺级（breast-level）分类，实现宏观恶性特征的学习。研究使用来自亚洲 12,433 名女性的 24,866 例乳腺 X 线摄影数据，分为训练集、验证集和测试集，并设计了针对 BI-RADS 3-4 亚组的分层分析、BI-RADS 0 亚组的重新评估以及 AI 辅助放射科医生的对比研究。
研究结果
1. AIS 的诊断性能
在区分恶性与非恶性乳腺时，验证集、测试集 1 和测试集 2 的 AUC 分别为 0.995、0.933 和 0.947；区分恶性与良性乳腺时，AUC 分别为 0.988、0.910 和 0.936，显示出 AIS 在不同数据集上的高准确性。
2. 对 BI-RADS 3-4 亚组的分层分析
与传统 BI-RADS 分类相比，AIS 在验证集、测试集 1 和测试集 2 中的 AUC 显著更高（0.828-0.873 vs 0.892-0.988）。AIS 将 83.1% 的假阳性病例（BI-RADS 4B/C）正确归为良性，54.1% 的假阴性病例（BI-RADS 3/4A）正确归为恶性，有效减少过度诊断和漏诊。
3. BI-RADS 0 亚组的重新评估
在 407 例 BI-RADS 0 病例中，AIS 协助放射科医生识别出 43 例恶性病变中的 7 例，特异性达 96.7%，表明其在不确定病例中具有辅助决策价值。
4. AI 辅助诊断研究
10 名不同年资放射科医生在 AIS 辅助下，平均 AUC 从 0.870 提升至 0.888（p=0.001），中级和高级医生的特异性显著提高，且阅片者间一致性（ICC）从 0.629 提升至 0.672，显示 AIS 可增强诊断一致性和准确性。
研究结论与意义
本研究开发的多视图多层级 AIS 在亚洲人群的乳腺 X 线摄影中展现出卓越的乳腺癌检测和诊断能力，尤其在优化 BI-RADS 分类（如减少 BI-RADS 3-4 的不确定性、辅助 BI-RADS 0 决策）方面具有显著优势。研究首次聚焦亚洲女性致密乳腺的特点，填补了 AI 在该人群中应用的空白。AIS 通过提供客观的恶性概率评估，可减少不必要的活检和延迟诊断，为放射科医生提供高效的辅助工具，有望推动乳腺癌筛查和诊断的临床实践变革。尽管研究存在数据不平衡、设备单一等局限性，但其为后续多中心、跨设备的研究奠定了基础，彰显了 AI 在提升乳腺癌诊疗效率和准确性中的巨大潜力。
