文献速递乳腺乳腺X线

Mirai模型在墨西哥女性乳腺癌风险预测中的验证

Validation of the Mirai model for predicting breast cancer risk in Mexican women.
PubMed 文献 · Insights Imaging · 2024-10-10

这项回顾性单中心研究在3110例墨西哥女性的筛查乳腺X线摄影上验证Mirai深度学习模型预测1–5年乳腺癌风险的表现,全数据集C指数为0.63(95%CI 0.6–0.7),作者结论为中等效能。

要点

  • Mirai在墨西哥女性中预测乳腺癌风险的C指数为0.63(95%CI 0.6–0.7),属中等效能。
  • 以Mirai风险指数>0.029(10%阈值)界定高危,高危组乳腺癌风险约为低危组2.68倍。
  • Hologic亚组平均C指数0.63(95%CI 0.5–0.7)高于IMS亚组0.55(95%CI 0.4–0.7)。

核心结论

  • Mirai在墨西哥女性中预测未来乳腺癌风险表现为中等效能,全数据集C指数0.63(95%CI 0.6–0.7)。
  • 作者结论认为需在前瞻性研究中优化模型表现并建立完整的使用指南。

研究设计与样本

  • 回顾性单中心研究,纳入2014年1月至2016年12月在墨西哥TecSalud接受筛查乳腺X线摄影的墨西哥女性。
  • 最终样本为3110例女性的3110次筛查乳腺X线摄影,中位年龄52.6岁±8.9;同一女性多次检查仅纳入首次。
  • 参考标准为病理与影像随访,所有病例随访至少5年;癌症阳性定义为随访期内经病理证实的浸润性乳腺癌或导管原位癌。
  • 检查设备为Lorad Selenia乳腺X线机(Hologic,美国New Rochelle)或Giotto Tomo乳腺X线机(IMS,意大利Sasso Marconi)。
  • 排除标准包括年龄小于40岁、乳腺X线检查不完整(四个常规体位至少缺一个)、缺乏5年随访数据、检查归类为BI-RADS 5。

关键影像表现/征象

  • 随访5年期间3034例(98%)无癌,76例(2%)诊断为乳腺癌;无癌者中位年龄51.8岁±8.7,乳腺癌患者中位年龄55.1岁±9.7。
  • 从检查到确诊乳腺癌的平均时间为3年,范围4.5个月至6年。

诊断标准与关键数值

  • 全数据集Mirai平均C指数0.63(95%CI 0.6–0.7),总体AUC 0.63(95%CI 0.6–0.7),总体O/E比0.99(95%CI 0.78–1.25)(P=1.0),RR 2.7(95%CI 1.6–4.5)。
  • Hologic亚组平均C指数0.63(95%CI 0.5–0.7),IMS亚组平均C指数0.55(95%CI 0.4–0.7)。
  • Hologic亚组AUC 0.6(95%CI 0.5–0.7)高于IMS亚组AUC 0.55(95%CI 0.4–0.7),但因IMS数据集有限未能确证统计学优效。
  • Hologic亚组O/E比0.97(95%CI 0.75–1.2;P=0.9),IMS亚组O/E比0.98(95%CI 0.6–1.5;P=1.0)。
  • 全数据集以0.029为阈值(90%特异度,即高危前10%)时高危组RR为2.68;Hologic亚组以0.033为阈值时高危组RR为2.8;IMS亚组以0.017为阈值时RR为1.55(无统计学意义)。

临床应用与阅片要点

  • Mirai提供连续风险指数而非诊断结局,无预设截断值,需依据推荐指南应用。
  • BI-RADS分类与Mirai 5年风险评分呈显著正相关(τ=0.1;P=2.73×10−12)。
  • 乳腺密度与Mirai 5年风险评分呈显著正相关(τ=0.07;P=5.67×10−12)。
  • 全样本中高危323例、低危2787例,删失3034例、事件76例;高危与低危组Kaplan–Meier无病生存差异显著(P<0.001)。

局限性

  • 作者指出研究存在数据收集潜在偏倚,例如患者纳入标准。
  • 作者指出样本量小,IMS系统较Hologic系统更明显,原因是5年随访期间数据显著缺乏,反映真实世界情况。
  • 作者指出并非所有乳腺X线系统厂商均被纳入,强调未来研究需解决不同系统间性能差异。
  • 作者指出需进一步研究以验证本研究发现。
全文中译12 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Insights Imaging. 2024 Oct 10;15:244. doi: 10.1186/s13244-024-01808-3

引言

乳腺癌仍然是全球女性中最常见的癌症,早期发现对于有效干预至关重要。自20世纪80年代以来,针对40–70岁女性的机会性乳腺X线摄影筛查项目一直发挥着关键作用[1–3],年龄是筛查资格的主要标准[4, 5]。然而,在拉丁美洲,许多贫困女性在获得机会性筛查方面面临障碍,对此类筛查项目的依赖不如许多高资源国家有效,并进一步加剧了现有的社会不平等[6–8]。事实上,乳腺癌差异可能由多种因素解释,包括可及性、社会经济状况和生活方式[9]。尽管过去三十年在乳腺癌检测和干预方面取得了实质性进展,导致某些高资源国家死亡率降低超过40%,但低资源国家与高资源国家相比仍面临显著更高的死亡率。在低资源国家,不完整的癌症登记和过时的医疗技术,如模拟乳腺X线摄影系统和有限的云存储,阻碍了新兴技术的整合,例如人工智能(AI),而这些技术能够积极影响和改善受影响最严重地区的医疗系统[9]。

在低资源国家,优先考虑超越基于年龄的机会性筛查的广泛筛查策略,对于所有年龄组的早期发现和干预至关重要。个性化、基于风险的筛查策略对于改善结局尤为值得关注[10–13]。迄今为止,乳腺癌风险评估已通过各种统计模型得到推进,使得能够识别处于乳腺癌高风险的患者,从而接受更早和更频繁的筛查。然而,在低资源国家,缺乏识别和筛查高风险乳腺癌患者的专门诊所,且获取使用传统统计风险模型(如Tyrer–Cuzick)进行风险评估所需的临床信息有限。此外,值得注意的是,无论在低资源还是高资源国家,统计风险模型的使用均未标准化;虽然包括肿瘤学家和乳腺外科医生在内的医生可能使用传统统计风险模型来识别高风险女性,尤其是那些有乳腺癌家族史或其他相关危险因素的女性[14, 15],但这些模型存在局限性[16–18],且常常忽视遗传变异、生活方式选择、环境影响、乳腺特征如组织密度以及疾病异质性[13]。此外,大多数统计风险模型主要在白人美国人群中进行了测试,导致在不同非白人和少数族裔人群中高估或低估,从而降低了预测准确性[14–18]。因此,验证替代性、可及的工具和模型在不同群体中进行乳腺癌风险评估的准确性和可靠性至关重要[19, 20]。

近年来,Mirai 等人工智能模型在乳腺癌风险评估方面显示出前景 [21]。然而,值得注意的是,要在不同人群中进行全面评估,这对于负责任地实施人工智能至关重要 [19, 22–25]。Mirai 模型是一种基于乳腺X线摄影的深度学习模型,使用来自马萨诸塞州总医院的大型数据集训练,已在国际上得到验证,在各数据集上优于传统统计模型和既往的深度学习风险模型 [21, 26]。然而,该模型尚未在以拉丁美洲裔、非美国出生的西班牙裔人群为主的人群中接受过测试。此外,值得注意的是,墨西哥人在族裔上被认定为西班牙裔/拉丁美洲裔,主要为欧洲与原住民混合血统并具有西班牙血统;而同样位于拉丁美洲、且被纳入既往 Mirai 研究验证的巴西人则不被视为西班牙裔,其人口构成包括 47.7% 白人和 43.1% 非洲与欧洲混合血统 [27]。此外,尽管 Mirai 在识别高风险患者方面已显示出高准确度,但其评估主要涉及来自 Hologic 设备的乳腺X线摄影图像 [21, 26]。

我们的主要目标是在墨西哥女性中验证 Mirai 在预测 1–5 年乳腺癌风险方面的性能。

方法

研究样本和数据收集

这项回顾性研究获得了当地机构伦理委员会的批准(方案编号:P000542-MIRAI-MODIFICADO-CEIC-CR002)。当地机构伦理委员会还豁免了书面知情同意。

在墨西哥一家私立医院乳腺癌中心 TecSalud 对数字乳腺X线摄影数据库进行了全面回顾性审查。该研究识别了 2014 年 1 月至 2021 年 6 月期间在 37,916 名自愿接受乳腺X线摄影的女性中进行的 58,321 次连续乳腺X线摄影检查(包括诊断性和筛查性检查)。随后,将其缩小至 2014 年 1 月至 2016 年 12 月期间在 13,028 名女性中进行的 20,297 次筛查性乳腺X线摄影检查(以确保所有纳入女性均有至少 5 年随访)。若女性年龄小于 40 岁、乳腺X线摄影检查不完整(四个常规体位中至少缺一个)、缺乏 5 年随访数据,或乳腺X线摄影检查被归类为乳腺影像报告和数据系统(BI-RADS)5(高度怀疑恶性),则被排除。尽管患者在研究期间可能接受过不止一次乳腺X线摄影检查,但我们的分析仅纳入第一次乳腺X线摄影检查。排除后,最终研究样本包括 3,110 名女性中的 3,110 次筛查性乳腺X线摄影检查。我们纳入患者时不考虑其既往乳腺手术史、是否存在乳腺植入物、非典型病变或个人既往癌症史。乳腺X线摄影检查使用 Lorad Selenia 乳腺X线摄影设备(Hologic,New Rochelle,USA)或 Giotto Tomo 乳腺X线摄影设备(IMS,Sasso Marconi,Italy)进行。癌症结局(即癌症阳性病例与癌症阴性病例)和肿瘤特征来自机构肿瘤登记处和病历。

判定癌症阳性病例和癌症阴性病例

所有病例的随访期至少为5年。癌症阳性病例定义为随访期内经病理确诊为浸润性乳腺癌或导管原位癌的病例。对于癌症阴性病例,采用基于筛查的随访标准以确认随访期内无癌症发生。

使用Mirai模型进行风险预测

Mirai模型已作为开源工具免费提供用于研究目的。我们将该模型应用于本研究患者的乳腺X线摄影检查,以预测每位患者在乳腺X线摄影检查后随访期内发生癌症的风险。未进行图像处理。仅通过去除患者姓名进行图像匿名化处理,同时保留图像的基本信息(尺寸、分辨率、体位和侧别)[21]。

Mirai模型类似于Tyrer–Cuzick或Gail模型,提供连续风险指数,旨在预测风险而非诊断结果。与基于临床的诊断工具不同,Mirai没有预定义的截断值,而是依赖推荐指南进行应用。一个关键方面是评估Mirai与真实事件和删失事件的相关性,通常使用一致性指数(C-index)进行量化,这是评估预测准确性的关键指标。

统计分析

对于Mirai模型,使用C-index评估模型性能。我们还确定了受试者工作特征曲线下面积(AUC),该指标在文献中通常用于评估模型性能。此外,我们还确定了模型的灵敏度、特异度、阳性预测值(PPV)、阴性预测值(NPV)、诊断准确性和相对危险度(RR)[28, 29]。使用R中的pROC包(版本1.18.2)显示和分析受试者工作特征曲线。

Mirai模型的校准度(即模型预测的结果频率与实际观察到的结果频率的一致性程度)使用观察率/期望率(O/E)比值进行评估。

为比较Mirai模型在两种不同乳腺X线摄影成像系统之间的性能,使用DeLong检验来检验AUC之间的显著差异。

乳腺密度、BI-RADS分类评估与Mirai 5年风险评分之间的相关性也使用Kendall's Tau统计量(τ)进行评估。

最后,通过确定高风险阈值来评估Mirai连续风险指数的临床实用性,遵循识别风险类别中前10%患者的标准做法。随后,针对高风险组与其他患者,考虑癌症事件和事件发生时间,计算RR值、混淆矩阵和Kaplan–Meier生存曲线。高风险组与其他组之间Kaplan–Meier生存曲线差异的显著性使用对数秩检验进行检验[30]。

所有统计分析均在R中进行(版本4.2.3,R统计计算基金会)。p值< 0.05视为显著。

结果

患者样本特征

2014年1月至2016年12月,共有3110例患者(中位年龄52.6岁±标准差(SD)8.9)接受了筛查性乳腺X线摄影并纳入分析。在这些患者中,3034例(98%)(中位年龄51.8岁±8.7)在5年随访期内保持无癌状态,而76例(2%)(中位年龄55.1岁±9.7)被诊断为乳腺癌(图1)。至癌症诊断的平均时间为3年,范围从最短4.5个月至最长6年。表1给出了整个患者样本的特征,包括年龄、乳腺密度、乳腺癌个人史、乳腺癌家族史和BI-RADS分类。表2呈现了76例乳腺癌的特征,包括组织学类型。图2和补充图S1、S2(电子补充材料)展示了3例癌症阳性病例的示例。

图1 描述患者纳入研究的流程图。BC,乳腺癌;BI-RADS,乳腺影像报告和数据系统;MG,乳腺X线摄影;n,乳腺X线摄影检查数量 查看原图 ↗
表1 患者样本在初次乳腺X线摄影检查时的特征 查看原表 ↗
表2 患者样本中癌症阳性病例的特征(n = 76) 查看原表 ↗
图2 真阳性病例示例,Mirai正确预测了未来的间期癌症。一名51岁女性的双侧数字乳腺X线摄影(头尾位和内外斜位)。2014年,筛查性乳腺X线摄影结果为阴性(BI-RADS 2——良性发现)(A、B);该次筛查性乳腺X线摄影检查的Mirai评分为0.084。2018年,出现一个新的可疑结节(BI-RADS 3——可能良性发现)(C、D)。6个月随访(E)显示先前检测到的可疑结节显著增大(BI-RADS 5——高度提示恶性)。组织学证实为三阴性乳腺癌 查看原图 ↗

Mirai模型的性能

Mirai模型的平均C指数为0.63(95%置信区间(CI):0.6–0.7)(表3),总体AUC为0.63(95% CI:0.6–0.7)(补充图S3),总体O/E比为0.99(95% CI:0.78–1.25)(p = 1.0),RR为2.7(95% CI:1.6–4.5)。补充表S1给出了Mirai模型在整个数据集中整个随访期内预测乳腺癌诊断的灵敏度、特异度、PPV、NPV、O/E比和RR。

在比较Mirai模型在两个乳腺X线摄影系统亚组(即Hologic亚组和IMS亚组)之间的性能时,Mirai模型在Hologic亚组中获得的平均C指数高于IMS亚组(C指数为0.63 [95% CI:0.5–0.7] vs. 0.55 [95% CI:0.4–0.7])(表3)。Mirai模型在Hologic亚组(补充图S4)中获得的AUC也高于IMS亚组(补充图S5)(AUC为0.6(95% CI:0.5–0.7)vs. 0.55(95% CI:0.4–0.7)),但由于IMS数据集有限,无法确切断言统计学优效性。关于O/E比,Mirai模型在Hologic亚组中获得的O/E比为0.97(95% CI:0.75–1.2;p = 0.9),在IMS亚组中获得的O/E比为0.98(95% CI:0.6–1.5;p = 1.0)。补充图S6以图形方式比较了两个乳腺X线摄影系统亚组之间Mirai连续风险指数评分的分布。

表3 使用受试者工作特征曲线下面积(AUC)和一致性指数(C-index)评估的Mirai模型在所有时间点的性能概览 查看原表 ↗

BI-RADS分类与Mirai 5年风险评分之间的相关性

Kendall's Tau相关性分析显示,BI-RADS分类与Mirai 5年风险评分之间存在显著正相关(τ = 0.1;p = 2.73 ×10−12)。

乳腺密度与Mirai 5年风险评分之间的相关性

Kendall's tau相关性分析显示,乳腺密度与MIRAI 5年风险评分之间存在显著正相关(τ = 0.07;p = 5.67 × 10−12)。

使用Mirai模型识别高风险患者

Mirai风险指数在整个数据集、Hologic亚组和IMS亚组中的高风险阈值通过使用90%特异度下的最高风险受试者来确定。在整个数据集中使用0.029作为阈值时,高风险组患者相较于其他患者的RR为2.68。在Hologic亚组中使用0.033作为阈值时,高风险组患者的RR为2.8。另一方面,在IMS亚组中使用0.017作为阈值时,RR为1.55,无统计学意义(补充图S7–S9)。

为高风险和低风险患者生成了Kaplan–Meier无病生存曲线。在整个样本中,有323名高风险个体、2787名低风险个体和3034例删失病例,共76个事件。此外,还专门针对55岁以下患者和55岁及以上患者进行了二次分析。高风险组与低风险组之间发现显著差异(p < 0.001),表明该模型有效识别了高风险受试者(补充图S10–S12)。

讨论

基于乳腺X线摄影的深度学习模型用于预测个体未来是否罹患乳腺癌已在多种人群中进行了研究。本研究旨在验证Mirai模型在预测墨西哥女性1–5年乳腺癌风险方面的性能。我们的研究结果表明,Mirai模型达到了中等预测性能,整个数据集的C-index为0.63(95% CI:0.6–0.7)。值得注意的是,在比较Hologic和IMS乳腺X线摄影系统的性能时,Mirai模型在Hologic亚组中的平均C-index(0.63 [95% CI:0.5–0.7])高于IMS亚组(0.55 [95% CI:0.4–0.7])。此外,以Mirai风险指数评分 > 0.029(10%阈值)来识别高风险个体时,研究显示高风险组个体罹患乳腺癌的风险几乎是低风险组的近三倍。被识别为5年高风险的组别相较于低风险组表现出更低的生存率,Kaplan–Meier曲线证实了这一点。这些结果强调了Mirai模型在接受筛查性乳腺X线摄影的墨西哥女性中进行乳腺癌风险分层的潜在临床效用。

在Yala等人[26]先前发表的多机构验证研究中,他们全面评估了Mirai模型在五个不同国家的多样化环境中的表现。值得注意的是,该研究主要使用了Hologic乳腺X线摄影图像,Mirai模型在各验证中心均一致达到了令人瞩目的准确度(C指数为0.69–0.78),排除了近期癌症诊断。这凸显了Mirai在利用深度学习实现个性化筛查项目并进行精准乳腺癌风险评估方面的潜力。

在我们对Mirai模型的评估中,我们发现其达到了中等预测性能,总体C指数为0.63。此外,在两种不同的乳腺X线摄影系统(即Hologic和IMS)之间,我们观察到预测准确度存在差异。Mirai模型在Hologic亚组中表现出更优的性能(C指数:0.63),优于IMS亚组(C指数:0.55)。同样,该模型在Hologic亚组中表现出中等判别能力(AUC:0.63),而在IMS亚组中预测准确度下降(AUC:0.55)。然而,由于IMS数据集有限,无法结论性地确定亚组之间的统计学优效性。尽管间接证据表明该模型在IMS中的预测效能缺乏证实,但我们的研究是少数探讨不同乳腺X线摄影设备影响的研究之一。

在最近的一项研究中,Omoleye等人[31]在一个种族多样化且富集高危个体(如携带BRCA突变者或非裔美国人)的人群中对Mirai模型进行了外部评估。通过分析来自2096名女性患者的6435张筛查乳腺X线摄影图像,Mirai模型表现出良好的准确度,1年和5年AUC分别为0.71和0.65。我们的结果与这些报告高度一致,支持拉丁美洲女性可能面临高于平均水平风险的假设,并强调探索多样化种族群体以了解乳腺癌危险因素的重要性。

在评估Mirai模型在我们研究中识别高危女性的能力时,被分类为高于90%阈值的女性与其他女性相比生存期显著更短(p < 0.01),RR表明癌症发生率高出三倍。

我们的研究存在若干局限性,包括数据收集中的潜在偏倚,例如我们选择患者纳入研究的标准。然而,我们旨在准确反映我们的临床环境。我们的样本量较小,这在IMS系统中比在Hologic系统中更为明显,原因是患者5年随访期间数据的显著缺乏,这反映了真实世界的情况。我们研究的另一个局限性是并非所有乳腺X线摄影系统厂商都被纳入,这凸显了未来研究解决不同系统间性能差异的必要性。可能需要进一步研究来验证我们的发现。前瞻性工作应完善和应用Mirai模型,尤其是针对少数族裔人群和目前未被纳入常规筛查的30至40岁女性。

总之,我们的研究证明了Mirai模型在评估墨西哥女性未来乳腺癌风险方面的中等有效性。需要在前瞻性研究中优化其性能并建立全面的使用指南。

补充信息

电子补充材料

引用

  1. Avendano D, Marino MA, Bosques-Palomo BA, et al. Validation of the Mirai model for predicting breast cancer risk in Mexican women. Insights Imaging. 2024. PMID: 39387984. doi:10.1186/s13244-024-01808-3
  2. 全文:PMC11466924(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11466924/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。