AI辅助乳腺X线筛查在降低间隔期乳腺癌检出中的价值：一项瑞士筛查项目的回顾性研究

本研究针对乳腺X线筛查中难以避免的间隔期乳腺癌(IBC)问题，瑞士研究团队通过回顾性分析119例IBC病例的筛查影像数据，结合放射科医师盲法复评与AI系统(ProFound AI?)评估。结果显示AI系统能有效识别68.9%放射学未见异常的IBC病例中13.4%的高风险病例，对放射学可见异常的潜在漏诊IBC识别率达51.4%，证实AI可作为现有筛查体系的重要补充，为优化早期乳腺癌检测策略提供新依据。

　　

乳腺X线筛查项目(MSP)虽能有效降低乳腺癌死亡率，但间隔期乳腺癌(IBC)的存在始终是筛查质量的痛点。这些在两次常规筛查间确诊的乳腺癌往往更具侵袭性，患者预后更差。瑞士东部地区的"donna"筛查项目数据显示，约30%的IBC病例在回顾性评估中可见被忽视的异常征象，这引发了研究者对现有筛查体系敏感性的思考：能否通过新兴技术弥补人类读片的局限性？

瑞士圣加仑大学医学院健康经济与管理系联合瑞士东部癌症联盟的研究团队，在《European Radiology》发表了一项开创性研究。他们创新性地将AI系统与放射科医师双盲复评相结合，对2010-2019年间119例IBC病例的初始筛查影像进行回顾分析，试图解答AI能否在常规筛查中提前识别这些"潜伏的威胁"。

研究采用多中心回顾性队列设计，关键技术方法包括：1)从瑞士东部两州151,233名筛查女性中筛选268例IBC病例；2)三位资深放射科医师独立盲法复评筛查 mammograms（混合90例正常对照）；3)使用iCAD公司ProFound AI?(v3.1)系统生成病例评分(0-100)和2年风险预测；4)通过共识会议确定"潜在漏诊IBC"与"无 retrospective异常IBC"；5)统计比较AI输出与人工评估的一致性。

研究结果部分呈现多个重要发现：

"Retrospective evaluation of the IBC mammograms by radiologists"显示，31.1%的IBC被归类为潜在漏诊病例（共识会议建议进一步检查），这些病例在原筛查中62.2%曾被判定为BI-RADS 3-5级，但最终未确诊。值得注意的是，40.5%的潜在漏诊病例曾接受过附加检查（包括活检），凸显临床诊断的复杂性。

"AI system ratings"部分揭示，AI对潜在漏诊IBC的识别敏感性显著高于无 retrospective异常组：平均病例评分54.1 vs 23.1（p<0.05），51.4% vs 13.4%的病例评分≥50。特别在低密度乳腺组（BI-RADS a/b），AI对潜在漏诊IBC的识别率更高，提示AI可能弥补密度相关的诊断盲区。

"Risk classification analysis"显示，AI将25.6%的IBC归为高风险（参考人群仅9%），其中潜在漏诊IBC的高风险比例达48.7%，是无 retrospective异常组的3.3倍。这验证了AI风险分层与肿瘤生物学特征的潜在关联。

讨论部分强调三个核心价值：首先，AI可作为"安全网"捕获51.4%放射学可见但被漏诊的IBC；其次，能识别13.4%放射学未见异常的高风险IBC，展现超越人眼的检测能力；最后，研究为AI在瑞士筛查体系的应用提供首个本土证据。作者特别指出，采用病例评分阈值55时，可使11.7%的IBC获得额外共识讨论机会，这对优化筛查流程具有直接指导意义。

该研究的临床转化价值尤为突出。在当前瑞士"donna"项目中，AI已作为第三阅片者投入应用，其识别的高风险病例将触发共识会议。这种"人机协同"模式既不过度增加临床负担（保持<15%的会议率），又能系统性地减少IBC漏诊，为全球筛查质量提升提供了可复制的范式。未来需要前瞻性研究验证不同评分阈值下的成本效益比，以及AI指导的靶向补充检查（如MRI）在特定高风险人群中的应用价值。