动态风险预测模型在多元人群中的验证：整合既往乳腺X线摄影提升乳腺癌风险评估准确性

这篇研究验证了一种整合既往乳腺X线摄影（FFDM）的动态人工智能（AI）风险预测模型（MRS），在加拿大不列颠哥伦比亚省多元种族人群中展现出稳定的5年预测性能（AUROC 0.78），显著优于单次影像分析（AUROC 0.71），为个性化乳腺癌筛查提供了高泛化性工具。

　　

Key Points
研究核心问题聚焦于：整合既往乳腺X线摄影的AI模型能否跨种族群体精准预测乳腺癌风险？通过对20.7万女性（含3.4万东亚裔、1946名原住民）的队列分析，模型5年AUROC达0.78，且在东亚（0.77）、原住民（0.77）等亚组中表现一致，证实其跨人群适用性。

Methods
研究设计基于不列颠哥伦比亚省乳腺筛查项目（2013-2019年）的数字化乳腺摄影（FFDM）数据，采用动态预测方法整合最多4年历史影像，通过AI提取乳腺纹理特征变化。主要终点为5年乳腺癌风险（AUROC）和SEER校准绝对风险。

Results
队列平均年龄56.1岁，随访5.3年发现4168例乳腺癌。动态MRS显著提升预测效能：

• 单次影像AUROC 0.71 → 整合4年影像后0.78（P<0.001）
• 高风险组（>3% 5年风险）阳性预测值4.9%，发病率11.8/1000人年
• 年龄分层显示>50岁女性性能更优（AUROC 0.80 vs ≤50岁0.76）

Discussion
该模型突破传统临床因子依赖，仅需影像数据即可实现：

1. 跨机器兼容性：95%为Hologic设备，5%通用电气设备
2. 密度无关性：BI-RADS C/D组AUROC 0.77 vs A/B组0.80
3. 病理普适性：DCIS与浸润癌预测效能相当（AUROC 0.78 vs 0.79）

临床意义
研究支持将历史影像纳入常规筛查，其SEER校准特性可直接对接NCCN（1.7%阈值）和ASCO（3%阈值）指南，为资源受限地区提供免问卷风险评估方案。值得注意的是，模型在家族史阳性（AUROC 0.76）与阴性（0.78）群体中差异无统计学意义，提示乳腺纹理特征可能内化遗传风险信息。

前瞻方向
需探索更长期影像序列（>4年）的增益效应，以及AI特征与多基因风险评分（PRS）的协同作用。当前结果已为全球差异化筛查政策（如欧盟79%邀请率 vs 加拿大50%参与率）提供精准化实施路径。