的死亡率。尽管做出了种种努力，仍有大约30%的乳腺癌在筛查期间被发现。这种间隔期癌症(ICs)的预后往往比筛查发现的癌症要差。

然而先前的研究显示，大约有一半的ICs可以通过目测最后一次筛查的图像来回顾性地确诊断。由于乳腺内纤维腺体组织数量的增加会造成掩盖，乳腺钼靶检测乳腺癌的灵敏度会随着乳腺组织密度的增加而降低。因此，IC的发病率也随着乳腺密度(BD)的增加而增加。研究表明，自动和临床乳腺成像报告和数据系统的密度同样能够预测间隔和筛查出的癌症风险。最近的一项回顾性研究调查了人工智能在减少腺钼靶检查中IC的潜力，发现人工智能能够检测出19%的IC。重要的是，这些人在乳腺钼靶检查中也被AI系统正确定位。此外，其他研究表明，癌前乳房X光片包含BD以外的独特成像信息，可以用深度学习网络来识别，这可以用于乳腺癌的风险评估(22,24-27)。基于这些发现，我们假设通过在一个基于神经网络(NN)的风险模型中结合人工智能乳腺癌检测系统和BD的评估，。

近日，发表在Radiology杂志的一项研究评估了一个基于神经网络的结合了BD和AI系统的用于预测乳腺钼靶筛查阴性妇女患IC风险的模型性能，为进一步改善IC的短期风险预测提供了技术支持。

本项回顾性研究纳入了患IC的女性患者和随访结果正常的女性参与者(从2011年1月到2015年1月)。使用人工智能癌症检测系统对所有的研究进行了分析，得出1-10分，代表恶性肿瘤可能性的增加。BD是使用公开可用的软件自动计算的。通过使用10倍交叉验证，将人工智能评分和BD结合起来训练一个NN模型。采用Bootstrap分析法计算受试者工作特性曲线下的面积(AUC)，90%特异性的敏感性，以及AI、BD和NN模型的95%CI。

共纳入2222名患有IC的女性患者和4661名对照组女性参与者(平均年龄为61岁;年龄范围为49-76岁)。NN模型的AUC为0.79(95% CI：0.77,0.81)，高于AI癌症检测系统或单独BD的AUC(AUC分别为0.73 [95% CI：0.71, 0.76]和0.69 [95% CI：0.67, 0.71];两者的P < .001)。在90%的特异性下，NN模型预测IC的敏感性为50.9%(666名女性中的339人;95% CI：45.2，56.3)，高于AI系统(37.5%;666名女性中的250人;95% CI：33.0，43.7;P < .001)或单独的BD百分比(22.4%;666名女性中的149人;95% CI：17.9，28.5;P < .001)。

图(A)斜位和(B)正位数字乳腺钼靶图像，70岁女性，诊断结果为正常。人工智能(AI)在两张图像上都发现了一个肿块(红色)，并在A区和B区分别给出了94分和80分的区域评分。乳房密度被计算为23。间隔期浸润性导管癌是在乳腺钼靶筛查15个月后被诊断出来

本研究提出了一个结合了人工智能(AI)乳腺癌检测系统和乳腺密度测量评估的风险模型，该模型可实现对女性患者间隔期乳腺癌风险的预测。与人工智能乳腺癌检测系统或单独的乳房密度测量相比，这种组合模型在预测间隔期乳腺癌发展方面有更高的诊断性能。该风险模型可通过对患者的风险评估，从而使目前的乳腺癌筛查计划个性化，并进一步减少间隔期乳腺癌的发生。

原文出处：

Alexander J T Wanders,Willem Mees,Petra A M Bun,et al.Interval Cancer Detection Using a Neural Network and Breast Density in Women with Negative Screening Mammograms.DOI:10.1148/radiol.210832