基于深度学习的乳腺动脉钙化钼靶评估:技术验证、心血管预后价值与临床转化

《Medical Sciences》:Deep-Learning-Based Assessment of Breast Arterial Calcification on Mammography: Technical Validation, Cardiovascular Prognostic Value, and Clinical Translation—A Narrative Review

【字体: 大 中 小 】 时间:2026年10月15日 来源:Medical Sciences 5.9

编辑推荐:

  乳腺动脉钙化(breast arterial calcification, BAC)是内侧动脉钙化的一种表现,常在筛查性钼靶检查中被偶然发现。越来越多的证据提示,BAC可能同时作为心血管风险的标志物。本叙述性综述批判性地综合了基于人工智能(artificial

  
乳腺动脉钙化(breast arterial calcification, BAC)是内侧动脉钙化的一种表现,常在筛查性钼靶检查中被偶然发现。越来越多的证据提示,BAC可能同时作为心血管风险的标志物。本叙述性综述批判性地综合了基于人工智能(artificial intelligence, AI)的BAC检测、分割与量化证据,评估了自动化量化BAC的心血管预后意义,并审视了临床转化的要求。研究人员对PubMed/MEDLINE、Scopus、Web of Science及Google Scholar进行了针对性文献检索,纳入自数据库建库至2026年9月3日可获取的英文文献,并辅以参考文献列表补充检索。深度学习方法包括卷积神经网络、U-Net衍生分割架构、迁移学习模型及半监督方法。所报告的技术性能因任务与验证策略而异。具有代表性的分割模型Dice/F1评分为0.666~0.756,Jaccard指数为0.581~0.614。在选定测试队列中,病例水平BAC检测的受试者工作特征曲线下面积(area under the receiver operating characteristic curve, AUC)最高达0.95~0.96。然而,外部验证、学习曲线报告、多厂商评估及稳健性评估仍不一致。预后研究显示自动化BAC负荷与心血管结局之间存在分级关联。在一项纳入21,514名无已知心血管疾病女性的队列中,年龄校正的BAC负荷与低风险分类女性的主要不良心血管事件(major adverse cardiovascular events, MACEs)相关,低于及高于年龄特异性中位数的BAC校正风险比(hazard ratios, HRs)分别为1.66与2.31。在来自两个医疗系统的123,762名女性中,经心血管疾病事件预测风险(Predicting Risk of Cardiovascular Disease EVENTs, PREVENT)方程校正后,MACE风险随BAC负荷增加而逐步升高,严重BAC的校正风险约为2.8至3.3倍。然而,增量预测改善可能较小——在一项研究中,加入BAC仅使5年AUC从0.645升至0.646。总体而言,现有证据支持可扩展的AI-based BAC评估的可行性,并显示AI量化的BAC与心血管结局之间存在一致关联。然而,技术性能与独立预后关联本身并不确立临床效用。在推荐BAC指导的心血管管理之前,需建立标准化的BAC定义、真正独立的外部验证及前瞻性实施研究。
  1. 1.
    引言
心血管疾病(cardiovascular disease, CVD)是全球女性死亡的首要原因,超过所有癌症死亡总和。女性与男性在心血管风险因素分布、疾病机制、症状表现及治疗反应上存在差异,这些差异源于生物学因素与性别相关决定因素的交互作用。历史上心血管预防与治疗证据主要来源于男性人群,女性在风险识别、及时诊断及治疗获取方面仍存在显著差距。钼靶摄影作为常规乳腺癌筛查手段,可能同时揭示乳腺动脉钙化(breast arterial calcification, BAC)这一传统上被视为偶然发现的血管征象。BAC在筛查人群中检出率约为10%~13%,其本质主要为中膜动脉钙化,区别于冠状动脉钙化的内膜粥样硬化性钙化。BAC目前报告不一致,评估多依赖定性或人工半定量方法,缺乏标准化与可操作的评分标准。近年来,人工智能(artificial intelligence, AI)尤其是深度学习的进展,使BAC的自动化检测、分割与量化成为可能。AI-derived BAC测量与主要不良心血管事件(major adverse cardiovascular events, MACEs)及死亡率相关,可能提供超越传统心血管风险因素的预后信息。然而,现有证据以回顾性研究为主,数据集、模型架构、参考标准及结局定义异质性显著,前瞻性临床验证与标准化转诊阈值仍缺失。本综述整合三个层面的证据:深度学习BAC检测、分割与量化的技术验证;自动化量化BAC的心血管预后验证;以及BAC评估在钼靶筛查与心血管预防路径中的临床转化要求。
  1. 2.
    方法论
本综述采用叙述性综述设计,因现有文献涵盖异质性显著的研究问题与研究类型,包括算法开发研究、分割与分类研究、观察性心血管结局研究、系统综述及专业建议。研究人员对PubMed/MEDLINE、Scopus、Web of Science及Google Scholar进行了针对性检索,检索词组合涵盖"breast arterial calcification"、"mammography"、"deep learning"、"cardiovascular risk"等,最终检索日期为2026年9月3日。纳入标准包括钼靶影像上的BAC评估、AI-based BAC检测/分类/定位/分割/量化、BAC与心血管风险因素或结局的关联研究,以及BAC评估的临床实施相关证据。数据以定性方式综合,未采用正式偏倚风险评估工具,但依据研究设计、样本量、参考标准清晰度、数据划分策略、患者水平分离、外部验证、预后随访及与心血管风险预测工具的整合等标准进行方法学质量评估。
  1. 3.
    乳腺动脉钙化的病理生理与钼靶特征
BAC主要代表M?nckeberg中膜钙化性硬化,其特征为钙盐沉积于血管中膜,呈环形围绕动脉壁发展,导致血管壁僵硬而无明显管腔狭窄,区别于以内膜粥样斑块形成为特征的动脉粥样硬化。钼靶上,动脉壁的环形钙化形成两条平行高密度线,即"轨道征"或"铁轨征";血管横断面观时呈环形或环形样。多数情况下该特征性形态可与恶性病变相关微钙化鉴别。然而,中膜钙化不完全或间断时,BAC可表现为成簇、曲线状或分支状钙化,可能模拟可疑恶性征象。中膜动脉钙化是活跃的细胞调控过程,具有类骨形成特征,血管平滑肌细胞在衰老、炎症、氧化应激及代谢紊乱影响下获得成骨表型,这为BAC与衰老、糖尿病、慢性肾脏病及矿物质代谢紊乱的关联提供了生物学解释。
  1. 4.
    BAC的钼靶检测与常规评估
常规钼靶评估中,BAC在标准头尾位及内外斜位视图上通过视觉识别,可记录为存在或缺失的二分变量,但该方式不捕捉钙化的范围、密度、分布或严重程度。多种视觉及半定量分级系统已被提出,包括按受累血管数量、钙化密度、钙化动脉段总长度、双侧性及整体形态严重程度分类。常用四级系统将BAC分为无(0级)、少量点状血管钙化(1级)、累及少于三支血管的粗大或平行线性钙化(2级)、累及至少三支血管的严重钙化(3级)。Trimboli等提出的乳腺动脉钙化半定量评分(BAC-SS)结合钙化血管数量、血管致密度及钙化段总长度,但识别分支血管及手动测量仍为变异来源。连续定量方法如基于全视野数字钼靶的密度测定技术,可将钙化负荷以毫克为单位表达为钙质量。
  1. 5.
    BAC的心血管关联与预后意义
5.1 与心血管风险因素的关联
年龄是BAC最一致的决定因素,每增加十年龄段,优势比(odds ratio, OR)约为2.98。分娩史、糖尿病、高血压及慢性肾脏病亦与BAC相关。一项纳入45项研究、68,584名女性的当代荟萃分析确认了与糖尿病(OR, 1.97)、高血压(OR, 1.82)及高脂血症(OR, 1.24)的关联,但未发现与体重指数的显著关联。吸烟史在荟萃分析中与较低BAC患病率相关,该观察不应被解释为保护效应,可能反映残余混杂或生存偏倚。总体而言,BAC反映以血管老化、糖尿病、高血压、生殖暴露及矿物质代谢紊乱为中心的风险特征。
5.2 与冠状动脉钙化及冠状动脉疾病的关联
BAC与冠状动脉钙化(coronary artery calcification, CAC)常共存。BAC识别CAC的敏感度为63%,特异度为76%,其判别能力与Framingham风险评分及汇总队列方程相当。中重度BAC在调整年龄与高血压后仍与CAC相关(OR, 3.2)。BAC与冠状动脉疾病(coronary artery disease, CAD)的关联强度因人群与诊断方法而异,荟萃分析显示BAC与CAD的优势比约为2.6,CT评估时关联最强(OR, 3.90)。然而,BAC作为排除标志的价值有限:18.2%无BAC的女性仍存在阻塞性CAD。BAC不应被视为CAC评分、冠状动脉CT血管成像(coronary computed tomography angiography, CCTA)或缺血检测的替代指标,而应视为风险增强型影像标志物。
5.3 心血管事件与死亡率
BAC与心血管事件及死亡率风险增加相关。在糖尿病女性中,BAC患病率接近40%,与糖尿病病程及微血管并发症负荷相关。BAC进展在肾功能恶化时加速,肾移植后进展减缓。BAC与外周动脉疾病(peripheral artery disease, PAD)相关,严重BAC在多变量调整后与PAD事件相关(HR, 3.24)。2026年荟萃分析显示BAC与卒中风险约2倍升高相关(RR, 2.09)。BAC亦与心力衰竭(RR, 2.14)、复合动脉粥样硬化性心血管疾病(ASCVD)(RR, 1.58)、心血管死亡率(RR, 2.94)及全因死亡率(RR, 2.04)相关,但与心肌梗死的汇总关联未达统计学显著。BAC识别整体血管脆弱性的能力较心肌梗死特异性风险更为一致。
  1. 6.
    基于人工智能的乳腺动脉钙化评估
6.1 自动化检测、分割与量化
AI-based BAC评估包括检测、分割及量化三个不同任务。早期分类模型确立BAC可直接在钼靶上识别,后续U-Net衍生架构实现像素级勾勒。SCU-Net的Dice评分为0.729,Jaccard指数为0.581;循环注意力U-Net的敏感度为69.6%,F1评分为0.666。BAC分割面临显著前景-背景类别不平衡、细长分支形态及下采样导致空间信息丢失等挑战。损失函数选择、图像分辨率及标注质量均影响模型性能。基于VGG16的模型在1,493名女性中实现AUC 0.95,与手动测量钙化长度高度相关(Spearman ρ = 0.88),但相关预训练网络在独立测试数据集中仅达AUC 0.77~0.79。Watanabe等评估AI系统在数字钼靶(AUC, 0.96)与数字乳腺断层合成(AUC, 0.95)上BAC检测的判别能力相近。现有研究证明自动化BAC评估的技术可行性,但尚不足以支持常规临床实施,需多中心、多厂商验证、标准化定量阈值及前瞻性风险重分类评估。
6.2 AI量化BAC的预后与临床价值
自动化BAC评估的临床相关性取决于定量负荷能否超越常规风险估计预测心血管结局。Rose等在99名女性中发现MACE患者AI-derived BAC评分更高(35.3 vs. 15.1),BAC在调整年龄与ASCVD风险后仍与MACE相关(OR per score unit, 1.02)。Allen等在18,092名女性中报告BAC女性死亡率(7.8% vs. 2.3%)及复合结局发生率(12.4% vs. 4.3%)更高,风险随BAC四分位数递增。Ibrahim等发现轻度、中度及重度面积-based BAC类别的校正MACE风险(HRs: 1.13, 1.30, 1.58)逐步升高,但加入BAC分级仅使5年判别能力从AUC 0.645升至0.646。Nerlekar等在21,514名女性中发现年龄校正BAC负荷在低风险分类女性中与MACE相关(HRs: 1.66及2.31)。Dapamede等在123,762名女性中显示经PREVENT方程校正后,BAC面积与MACE呈分级关联,严重BAC风险为2.8至3.3倍。AI量化BAC显示一致的预后关联,但增量临床效用证据仍有限。
6.3 报告、临床整合与管理路径
BAC的临床整合需要标准化报告、明确的随访责任及循证管理路径。当前实践不一致,放射科医师对BAC是否报告、严重程度描述及是否推荐心血管评估存在显著差异。患者通知可能促进跨专科沟通,但研究未显示风险因素控制、预防治疗或心血管结局的改变。BEACON研究探索了乳腺癌筛查与机会性心血管评估结合的可可行性,但可行性不等于临床有效性。务实路径应将AI-derived BAC类别纳入钼靶报告与电子健康记录,由负责心血管预防的临床医师进行随访。无症状女性中,中重度BAC应提示审查血压、血脂、血糖、吸烟、肾功能及其他风险修饰因素,随后使用PREVENT、汇总队列方程或SCORE2/SCORE2-OP估计整体心血管风险。BAC单独不应强制要求冠状动脉钙化评分、CCTA、心脏病学转诊或降脂治疗,这些决策应依据症状、整体风险、指南定义的治疗资格及进一步检测是否预期改变管理。AI-derived BAC目前应视为风险增强信号,提示结构化心血管再评估,而非独立可操作的治疗阈值。
  1. 7.
    当前证据空白与未来研究重点
7.1 标准化与外部验证
BAC定义缺乏标准化是临床转化的主要障碍。已发表研究使用二分检测、序数视觉分级、钙化血管计数、节段长度、钙质量、面积-based测量及专有连续评分,轻中重度阈值不一致。需就钼靶视图分析、双侧发现聚合、最小可检测病变、定量单位及临床可解释的严重程度类别达成共识。标准化须延伸至算法验证:多数自动化模型为回顾性开发,使用选定数据集及放射科医师生成的标注,独立多中心、多厂商评估有限。未来研究应报告患者水平数据分离、校准、假阳性负荷、按BAC严重程度分层的性能及预设失败分析。
7.2 泛化性、偏倚与算法透明度
现有BAC算法的泛化性不确定,因许多开发队列来自单一机构或临床选择人群,种族、社会经济地位、乳腺密度、生殖史及心脏代谢疾病特征描述不完整。BAC患病率随年龄显著增加,富集BAC阳性样本训练的算法可能优先识别广泛钙化,在年轻女性或细微病变中可靠性较低。验证应包含按年龄组、种族人群、乳腺密度类别、影像厂商及合并症的亚组特异性判别、校准及错误分析。可解释性方法可能帮助识别算法是否正确定位乳腺动脉而非非血管钙化,但视觉热图本身不确立生物学有效性。部署后监测需检测影像设备、采集协议或筛查人群变化后的性能漂移。学习曲线报告可提供模型收敛及过拟合线索,但应结合BAC敏感的重叠指标及独立外部验证综合解读。捷径学习是另一相关关注点,模型可能利用与目标标签相关但生物学无关的数据集特征获得表观高性能,内部验证可能无法检测此类依赖。外部验证本身亦需谨慎解读,标称"外部"的数据集可能与开发分布仍密切相关。放射学深度学习系统综述发现81%的模型在外部性能上有所下降,24%显著下降。
7.3 前瞻性临床效用与结局评估
核心未解决问题是自动化BAC报告是否改善患者护理。现有研究证明与心血管结局的关联,但多数为回顾性,未确立BAC指导的管理改善风险因素控制、治疗选择或心血管预后。前瞻性实施研究应比较标准化BAC报告与常规护理,评估预设结局,包括心血管风险评估完成率、既往未治疗高血压/糖尿病/血脂异常的识别、指南指导预防的启动或强化、下游影像使用、患者焦虑、医疗成本及心血管事件。此类研究还应确定BAC加入PREVENT、PCE、SCORE2或SCORE2-OP后是否显著改善判别、校准及治疗相关风险重分类。随机或务实整群试验可能最终需要确立BAC指导的预防是否改善结局而不导致不成比例的检测或过度治疗。
  1. 8.
    局限性
本综述为叙述性综合,未使用前瞻性注册方案、正式偏倚风险评估或定量荟萃分析。针对性检索策略及仅限英文文献可能导致相关研究遗漏。研究间比较受研究人群、钼靶模态、BAC定义、参考标准、AI架构、验证策略及心血管结局的显著异质性限制。该领域发展迅速,若干近期算法与结局研究的独立复制有限。
  1. 9.
    结论
BAC是中膜动脉钙化的独特表现,可在常规钼靶筛查中机会性识别。现有证据一致关联BAC与女性不良心血管风险特征及结局。深度学习方法已证明自动化BAC检测、分割与量化的技术可行性,但报告性能因计算任务、数据集构成、参考标准、验证策略及采集环境而异,外部验证不一致、定量定义异质及模型稳健性评估不完整仍限制证据。自动化BAC负荷与MACE及死亡率呈分级关联,包括常规预测模型分类为低心血管风险的女性。然而,预后关联应区别于增量预测与临床效用,现有研究未确立BAC纳入心血管风险评估改善治疗决策或患者结局。AI-derived BAC目前应视为风险增强影像信号,支持结构化心血管再评估,而非独立可操作的额外影像、专科转诊或药物治疗指征。临床转化需标准化BAC定义与定量阈值、真正独立的多中心多厂商验证、透明的模型开发与失败模式报告,以及评估风险重分类、下游检测、预防管理、成本及心血管结局的前瞻性实施研究。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号