基于深度学习的日本女性乳腺X线摄影AI辅助诊断系统(DLADS)开发与多中心临床验证

本研究针对日本女性乳腺密度高、传统CADe系统临床效用不足的问题，开发了首个基于SE-ResNet模块的日本本土化AI-CADx系统。通过63家机构20,638例乳腺X线图像的大规模验证，系统在测试集中达到83.5%敏感性和84.7%特异性（AUC=0.841），且不受乳腺密度和设备厂商影响，为亚洲女性乳腺癌筛查提供了精准的AI辅助解决方案。

　　

乳腺X线摄影作为乳腺癌筛查的主要手段，在西方国家已证实能有效降低死亡率。然而日本女性面临着独特的挑战：47.4%的筛查率远低于西方70%的水平，且亚洲女性特有的高乳腺密度（异质致密型占30.9%，极度致密型占10.1%）使传统计算机辅助检测(CADe)系统表现不佳。更棘手的是，日本现行的双读法虽可提高检出率，却加剧了医疗资源紧张。这些因素共同构成了日本乳腺癌早期诊断的"三重困境"。

为解决这一临床痛点，由日本国立癌症研究中心东医院牵头，联合63家医疗机构开展了一项开创性研究。团队收集了2010-2019年间20,638张乳腺X线图像（来自11,450名中位年龄55岁的日本女性），涵盖24.3%乳腺癌、24.4%良性和51.3%正常病例。通过创新的SE-ResNet（挤压激励残差网络）架构结合滑动窗口算法，开发出首个针对日本女性的AI辅助诊断(AI-CADx)系统。该系统在独立测试集（2,059张图像）中交出了亮眼成绩单：敏感性83.5%、特异性84.7%，AUC达0.841（95%CI 0.822-0.859），完美达到预设终点指标。

关键技术方法包括：1）采用多中心回顾性队列（63家机构20,638张图像）；2）基于病理金标准的人工标注（72位A级医师使用Fiji软件标记）；3）SE-ResNet模块结合384×384像素随机裁剪的数据增强；4）15%浓度梯度的热图阈值设定；5）Python 3.7.7与TensorFlow 2.1.0框架实现。

【基线特征】数据集涵盖各乳腺密度类型（脂肪型14.1%、散在纤维腺体型42.9%、异质致密型30.9%、极度致密型10.1%），病灶类型以肿块（34.1%）和钙化（7.3%）为主，病理证实75.4%为浸润性导管癌。表1详细展示了训练集/验证集/测试集（8:1:1）的均衡分布。

【模型性能】图2显示300次训练后模型收敛良好。在测试集中，系统对脂肪型乳腺表现最佳（AUC 0.890），即便对极度致密型仍保持0.696的AUC。图3的ROC曲线证实其稳定性能，阳性预测值63.8%，阴性预测值高达94.1%。

【亚组分析】表3显示系统具有跨厂商普适性：在富士胶片AMULET设备（n=453）AUC 0.819，豪洛捷Selenia（n=847）AUC 0.857。不同乳腺病变类型中，对肿块检测AUC 0.835，钙化0.784，但结构扭曲仅0.639，提示后者仍是AI诊断难点。

这项研究突破了西方AI模型在亚洲人群的应用瓶颈，其创新价值体现在三方面：首先，通过日本最大规模的乳腺影像数据集（较此前Ueda研究4,636例提升4.5倍）确保了模型泛化能力；其次，采用SE结构增强的ResNet模块，有效捕捉高密度乳腺中的细微病变；最后，15%热图阈值的优化设定平衡了敏感性与特异性。值得注意的是，系统在极度致密乳腺中特异性达97.1%，但敏感性骤降至42.1%，这提示未来需融合超声等模态提升诊断效能。

目前研究者已注册前瞻性临床试验（UMIN000049479），拟评估该系统作为"第二读者"对日本医师诊断水平的提升效果。正如通讯作者Hirofumi Mukai指出："这是首个针对日本女性乳腺特征的AI-CADx系统，其多中心验证结果为解决筛查资源不足提供了技术储备。"该成果为亚洲高密度乳腺人群的精准筛查树立了新标杆，也为AI医疗设备的本土化开发提供了范式。