BREST-AI：从阴性筛查乳腺X光片预测三年内乳腺癌风险的深度学习模型开发与验证

《npj Breast Cancer》：BREST-AI: Three-year breast cancer risk prediction from screening mammograms

摘要

准确评估乳腺癌风险对于风险分层的筛查策略至关重要。我们开发了BREST-AI，这是一个基于深度学习的模型，可从阴性筛查乳腺X光片中预测三年内的乳腺癌风险。模型开发采用了课程学习策略，使用了65,419名女性的数据；该模型在58,591名女性上进行了训练（其中9020例癌症、1633例良性病变、47,938例三年内无癌症）。在外部英国病例对照验证（1899例病例和5697例匹配对照）中，BREST-AI的AUC为0.751（95% CI 0.738–0.764），优于Mirai（0.700，95% CI 0.687–0.714；p?<?0.001）。在美国外部队列（97例病例和291例匹配对照）中，BREST-AI的AUC为0.670（95% CI 0.609–0.731），Mirai的AUC为0.633（95% CI 0.570–0.696）（p?=?0.199）；该分析检验效能不足，难以检测出适度差异，应视为探索性分析。在西门子系统上采集的英国跨厂商外部队列（400例病例和1200例匹配对照）中，跨厂商域偏移适度降低了判别能力，但BREST-AI仍优于Mirai（AUC 0.719对0.685；p?=?0.019）。当将病例对照结果推算至英国筛查患病率（每1000次检查中有8例癌症）时，BREST-AI在由99%特异度定义的高风险操作点上，估计阳性预测值为8.0%，相对风险为10.1。这些经患病率校正的估计表明，BREST-AI可能有助于在英国国家医疗服务体系乳腺筛查计划中识别出三年内乳腺癌高风险的一小部分女性亚组。