论文排版软件前 言
众所周知，使用乳腺X线摄影筛查可以降低乳腺癌死亡率。尽管做出了种种努力，但在两次筛查之间，仍有一定数量的间期癌（ICs）存在。且这种间隔期癌（ICs）的预后往往比筛查发现的癌症差。研究表明，乳房致密的女性患乳腺癌的风险更高，IC的发病率也随着乳腺密度（BD）的增加而增加。目前已将其与其他经典风险因素（如年龄、种族、乳腺癌家族史和乳腺活检史）整合到现有的几种乳腺癌预测模型中。其他研究表明，癌前乳腺X线摄影包含乳腺癌以外的独特成像信息，可通过深度学习网络识别，用于乳腺癌风险评估。
能否通过在一个基于神经网络（NN）的风险模型中结合AI乳腺癌检测系统和BD的评估，可以进一步改进IC的短期风险预测？荷兰学者进行了研究并建立了这样的模型，该模型将BD评估与AI评估系统相结合，预测筛查乳腺X摄影阴性的女性发生间期癌的风险，研究成果发表在近期的《Radiology》。
主要内容
方法：这项回顾性病例对照研究通过筛查检查进行，包括发生IC的女性和随访结果正常的女性（2011年1月至2015年1月）。AI癌症检测系统分析了所有病例，得分定为1-10，表示恶性肿瘤的可能性（分数越大可能性越高）。BD是使用公开软件自动计算的。将AI评分和BD相结合，通过10倍交叉验证，训练神经网络（neural network，NN）模型。Bootstrap分析用于计算AI、BD和NN模型的受试者工作特征曲线（AUC）下面积、90%特异性下的敏感性和95%CI。
图1 研究流程图
结果：
1.共包括2222名患有IC的女性和4661名对照组女性（平均年龄61岁；年龄范围49-76岁）。（图1）
2.NN模型的AUC为0.79（95%可信区间：0.77,0.81），高于AI癌症检测系统或BD单独的AUC（AUC分别为0.73[95%可信区间：0.71,0.76]和0.69[95%可信区间：0.67,0.71]；两者均p<0.001）。（图2）
3.在90%特异性下，NN模型预测IC的敏感性为50.9%（666名女性中有339名；95%CI:45.2，56.3），高于AI系统（37.5%；666名女性中有250名；95%CI:33.0，43.7；P<.001）或单独预测BD百分比（22.4%；666名女性中有149名；95%CI:17.9，28.5；P<.001）。（表）
表1 患者样本的特征表
表2 AI、BD及风险模型的AUC
图2 AUC曲线显示了风险模型、人工智能（AI）和乳腺密度（BD）在检测间期癌方面的性能
图3 AUC曲线显示了风险模型在检测浸润性或导管原位癌（DCIS）间期癌方面的性能。对于风险模型，没有证据表明浸润性癌和导管原位癌的检测结果存在差异（P=0.26）。
图4 筛查后12个月、12-24个月和24-36个月诊断的间隔期癌症预测风险模型的AUC曲线。风险模型在预测筛查后12个月内发生间隔期癌症的女性方面表现最好。
结论：通过对人工智能检测系统和乳腺密度测量的综合评估，与单独使用任何一种方法相比，可以预测更大比例的女性患间期症。
