基于人工智能的乳腺钼靶风险评分（MRS）在不同种族女性乳腺癌人群中的泛化性研究

《SCIENCE ADVANCES》：Generalizability of an AI-based mammogram risk score (MRS) for breast cancer among diverse populations of women

传统结合遗传与临床因素（含乳腺密度）的预测模型在非欧洲人群中表现欠佳。研究人员探究了一种人工智能衍生的乳腺钼靶风险评分（Mammogram Risk Score, MRS）——一种可捕捉作为癌症发生基础的乳腺组织固有特征的纹理特征汇总指标。本研究依托北美两个筛查队列的数据，涵盖超过226000名女性，包括非西班牙裔白人、非西班牙裔黑人、东亚人、南亚人和原住民女性。结果显示，MRS分布在不同队列及各人种亚组间仅呈不显著偏移，且标准差相近。MRS随年龄增长而升高，且与乳腺癌风险显著相关：经年龄校正后，每标准差（SD）的风险比（Hazard Ratio, HR）范围为2.24[95%置信区间（Confidence Interval, CI）：2.03~2.46]至2.32（95% CI：2.25~2.39）。该关联在所有亚组内均保持显著。MRS在各人种及族群中校准性能优异，且适用于全视野数字化乳腺钼靶（Full-Field Digital Mammography, FFDM）和数字乳腺断层合成（Digital Breast Tomosynthesis, DBT）成像。上述发现证实MRS是一种独立于种族或族群的强效预测因子，展现了其在更广泛临床应用中的潜力。

该研究发表于《SCIENCE ADVANCES》，针对当前乳腺癌风险预测模型存在的种族偏差问题展开深入探讨。现有模型多基于白种人群数据开发，在应用于非欧洲血统人群时准确性下降，且未能充分挖掘乳腺影像中蕴含的组织特征信息。为解决这一限制精准预防实施的难题，研究人员评估了一种新型人工智能乳腺钼靶风险评分（MRS）在不同种族女性群体中的泛化能力。

关键技术方法方面，研究采用两个大型北美筛查队列：美国埃默里乳腺影像数据集（EMBED）与加拿大不列颠哥伦比亚省乳腺筛查项目（BCBSP），共纳入超22.6万名40至74岁接受常规筛查的女性，覆盖非西班牙裔白人、非西班牙裔黑人、东亚人、南亚人及原住民等多个人群。研究人员使用已验证的深度学习模型，基于入组时的标准四视图钼靶图像提取MRS——一种综合乳腺纹理特征的量化指标。统计分析采用Cox比例风险模型评估MRS与乳腺癌发病风险的关联，并通过分布比较、区分度（AUC）及校准度分析验证模型的泛化性能。

研究结果部分如下：

MRS的分布特征

研究人员对比了两个队列中各人种亚组的MRS分布情况。数据显示，尽管不同队列及种族间中位数存在轻微偏移，但整体分布形态相似且标准差接近。统计学检验显示，这些差异均无显著性（P值均大于0.05），表明MRS作为一种影像特征总结，其分布不受种族或队列来源的显著影响。

MRS与乳腺癌风险的关联

在调整年龄因素后，MRS与乳腺癌风险表现出极强的正相关性。在两个独立队列中，MRS每增加1个标准差，乳腺癌风险比（HR）分别达到2.24和2.32。重要的是，这种显著关联在所有报告的种族亚组中均成立，包括非西班牙裔白人（HR=2.32）、非西班牙裔黑人（HR=2.24）、东亚人（HR=2.31）、南亚人（HR=2.13）及原住民女性（HR=2.54），证实了MRS预测效力的普适性。

年龄与MRS的关系

分析显示MRS随年龄增长呈线性上升趋势，在EMBED队列中年增幅为0.9%（P<0.001），在BCBSP队列中年增幅为1.1%（P<0.001），这与乳腺癌发病率随年龄增长的流行病学特征相吻合。

区分度与校准性能

MRS在两个队列中均表现出稳定的区分能力，各人种亚组的5年受试者工作特征曲线下面积（AUC）介于0.70至0.79之间。更为关键的是，校准曲线显示预测的绝对风险与实际观察到的发病风险高度一致，无论是在全人群还是各亚组中，均未出现显著的过高或过低估计，证明了MRS在绝对风险评估上的可靠性。

讨论与结论

研究人员指出，传统模型因依赖自我申报的种族信息而产生偏差，而MRS直接反映了乳腺组织的生物学状态，后者是癌症发生的共同通路，因此具有跨种族的稳定性。研究证实，MRS独立于自我报告的种族和族群，其分布稳定、关联一致且校准优异，支持将其作为通用的个体化风险评估工具应用于临床。这不仅能规避种族分类在生物医学应用中的局限性，还能促进精准预防策略的公平实施，通过个性化定制筛查间隔、合理使用增强造影钼靶或磁共振成像等补充检查手段，有效降低乳腺癌疾病负担。