文献速递乳腺乳腺X线

新辅助化疗对乳腺组织密度的影响及其与病理缓解的相关性:一项回顾性人工智能增强影像学研究

Impact of neoadjuvant chemotherapy on breast tissue density and its correlation with pathologic response: a retrospective artificial intelligence-enhanced radiological study.
PubMed 文献 · Br J Radiol · 2026-01-01

该回顾性单中心研究纳入135例接受新辅助化疗的三阴性/HER2阳性浸润性导管癌患者,比较化疗前后数字乳腺X线摄影的BI-RADS乳腺密度变化。结果显示化疗后高密度乳腺(ACR C/D)比例显著下降,密度降低与病理缓解中度相关(rho=0.53),AI与专家读者间一致性良好(ICC=0.78)。

要点

  • 新辅助化疗后乳腺密度显著降低,ACR C/D比例从46.7%降至24.4%。
  • 密度降低与病理缓解中度相关(Spearman rho=0.53),但尚不能作为预测生物标志物。
  • AI与专家读者密度评估一致性良好(ICC=0.78),优于低年资读者。

核心结论

  • 新辅助化疗可显著降低乳腺组织密度,且密度降低与病理缓解呈中度相关。
  • AI工具与专家放射科医生的乳腺密度评估一致性良好(ICC=0.78),有助提高评估一致性。
  • 研究强调需要标准化方案和培训以优化乳腺密度评估,并建议进一步验证AI工具的临床适用性。

研究设计与样本

  • 回顾性单中心研究,纳入135例三阴性/HER2阳性浸润性导管乳腺癌患者(临床分期T1-2 N0 M0),于2018年1月至2023年12月接受新辅助化疗。
  • 采用数字乳腺X线摄影(Senographe Essential和Hologic 3Dimensions),化疗前后行双侧CC、MLO及断层摄影。
  • 由4名不同经验读者(>20年专家、7年中等经验放射科医生、1年住院医师、非放射科医学生)按ACR BI-RADS密度分类评估,并与自研AI工具(AlexNet CNN特征提取+U-Net分割)比较。
  • 参考标准为专家读者的BI-RADS分类,AI输出单独用于一致性分析。

关键影像表现/征象

  • 新辅助化疗后ACR C类从31.9%(43/135)降至17.8%(24/135),ACR D类从14.8%(20/135)降至6.7%(9/135)。
  • 高密度组(ACR C/D)从46.7%(63/135)降至24.4%(33/135),Stuart–Maxwell检验P<.001。
  • ACR A和B类比例相对增加反映密度重分布,而非实际密度增加;基线低密度患者密度分类基本稳定。
  • AI分割性能稳定:训练集DSC 0.88±0.04,验证集0.87±0.03,独立测试集0.86±0.04。

诊断标准与关键数值

  • 乳腺密度采用ACR BI-RADS 4级分类:A几乎完全脂肪、B散在纤维腺体密度、C不均匀致密、D极度致密。
  • 密度降低与病理缓解相关:Spearman rho=0.53(95%CI 0.40-0.64,P=3.8×10⁻¹¹)。
  • 读者间一致性(ICC):专家与中等经验放射科医生0.68(95%CI 0.59-0.76),专家与住院医师0.55(95%CI 0.44-0.65),专家与非放射科医生0.39(95%CI 0.27-0.51),专家与AI工具0.78(95%CI 0.70-0.85)。
  • ICCs解释标准:<0.50差,0.50-0.75中等,0.75-0.90良好,>0.90优秀。
  • 密度降低的独立预测因素:年轻年龄(每增加10岁调整OR=0.74,95%CI 0.60-0.92,P=.006)、绝经前状态(调整OR=1.89,95%CI 1.12-3.20,P=.017)、较高基线密度(每增加1个BI-RADS类别调整OR=2.41,95%CI 1.71-3.47,P<.001)。

临床应用与阅片要点

  • 新辅助化疗后乳腺密度降低可提高乳腺X线摄影对残留或复发灶的检出敏感性,辅助随访评估和手术规划。
  • 报告乳腺密度时应注意化疗后密度重分布现象,避免将ACR A/B比例增加误判为密度增高。
  • AI工具可用于辅助乳腺密度评估,尤其有助于低年资读者提高一致性,但需注意其基于特定数据集开发,临床使用前应验证。
  • 密度降低与病理缓解相关仅为探索性发现,不能作为预测或替代终点生物标志物用于临床决策。

局限性

  • 回顾性单中心设计,缺乏外部验证,预测性和替代终点解释应避免。
  • 不同成像系统(GE和Hologic)虽采用标准采集协议,但可能引入设备间差异。
全文中译8 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:Br J Radiol. 2026 May 21;99(1184):1634–41. doi: 10.1093/bjr/tqag114

引言

乳腺癌(BC)是全球女性中最常见的癌症,也是癌症相关死亡的主要原因之一。1 复发率和生存率因BC亚型而异,其中三阴性BC(雌激素受体[ER]、孕激素受体[PR]和人表皮生长因子受体2[HER2]均为阴性)最具侵袭性。乳腺X线摄影乳腺密度反映乳腺上皮和间质成分的含量,是预测BC风险的独立标志物。2–4 此外,在乳腺密度极高的女性中,乳腺X线摄影诊断癌症的有效性降低,由于遮蔽现象使病灶识别变得困难。4

研究表明,高乳腺密度还与对侧乳腺癌症风险及早发性乳腺癌风险升高相关。致密的间质组织可诱导乳腺上皮增殖,提示间质细胞与上皮细胞之间存在交互作用。5 这凸显了一致性方法和监测乳腺密度以优化乳腺癌筛查策略的重要性。2,4

美国放射学会(ACR)引入了BI-RADS系统对乳腺X线摄影密度进行分类,通常通过视觉判断确定。6–9 BI-RADS第4版根据纤维腺体组织百分比对乳腺密度进行分类,而第5版强调定性分析,增加了放射科医师之间的主观性和变异性。10,11 这种变异性影响风险评估的准确性和结果的可重复性。4,12 标准化方案、充分培训以及操作者自身变异性评估对于提高乳腺密度评估的一致性至关重要。11

人工智能(AI)越来越多地用于测量乳腺密度,提高了客观性和可重复性。12–15

鉴于乳腺密度对乳腺癌发病风险及检出难度的双重影响,已有研究探讨乳腺密度如何影响治疗结局,特别是在新辅助化疗(NAT)的背景下。16,17 新辅助化疗广泛用于三阴性和HER2+浸润性导管乳腺癌,有助于肿瘤降期、保乳手术,并可能实现病理完全缓解。18 监测新辅助治疗反应对于评估治疗效果和指导治疗决策至关重要。18 尽管已有大量研究,目前尚无能够适当预测NAT反应的特定生物标志物,这凸显了个体化肿瘤治疗的需求。Skarping等17发现新辅助治疗前乳腺极度致密会降低病理完全缓解的几率,而Di Cosimo等19得出了相反的结论。一些研究观察到新辅助治疗后乳腺密度降低,这与结构变化和治疗诱导的绝经有关。16,19,20

本回顾性研究旨在使用乳腺X线摄影评估新辅助治疗对乳腺组织密度的影响,并探讨密度变化与病理反应之间的相关性。同时旨在评估不同经验水平的放射科医师之间以及放射科医师与AI软件之间的一致性。

方法

伦理声明

欧洲肿瘤研究所(IEO)机构审查委员会于2023年12月19日批准了这项回顾性研究(方案UID:4481)。

人群

本研究的纳入标准为年龄大于18岁、诊断为三阴性乳腺癌和/或HER2阳性浸润性导管癌、临床分期为T1-2 N0 M0、并在单一机构接受新辅助治疗(NAT)的女性患者。患者从机构数据库中连续选取,以尽量减少选择偏倚。多灶性、多中心性和对侧乳腺癌、诊断为相关导管原位癌(DCIS)和/或存在慢性或精神疾病的患者被排除在本研究之外。

患者纳入时间为2018年1月至2023年12月,所有影像学和临床数据均从机构数据库中回顾性收集。

本研究中分析的135例患者临床队列仅用于NAT前/后的临床分析。该队列中没有任何患者或检查被纳入AI模型的开发、验证或测试;在模型训练前已在患者层面排除了重叠。

患者接受以蒽环类和/或紫杉类为基础的化疗,HER2阳性疾病患者在此基础上加用HER2靶向治疗。

影像学评估和AI工具

影像学评估(包括数字乳腺X线摄影)在新辅助治疗前后进行。具体而言,乳腺X线摄影使用数字乳腺X线摄影设备,拍摄双侧头尾位和内外侧位,以及使用Senographe Essential(GE Healthcare)和Hologic 3Dimensions(Hologic)进行断层合成的内外侧斜位拍摄。虽然使用了不同的成像系统,但标准采集方案确保了图像质量的均一性。放射科医师对每位患者评估所使用的乳腺X线摄影设备设盲,以减少偏倚。此外,我们的AI工具使用两种系统的乳腺X线摄影图像进行训练和验证,以保持乳腺密度分类的一致性。

四名阅片者评估了乳腺X线摄影图像:1名经验丰富的乳腺放射科医师(>20年乳腺影像经验)、1名中等经验的乳腺放射科医师(7年)、1名放射科住院医师(1年)和1名医学专业最后一年学生(非放射科医师)。人类阅片者使用美国放射学会(ACR)BI-RADS乳腺密度分类标准评估乳腺X线摄影图像中乳腺组织密度的变化。21

本研究采用了内部开发的AI工具,旨在评估乳腺X线摄影变化。该AI工具基于卷积神经网络(CNN)架构,具体采用改编自AlexNet模型进行特征提取,并采用U-Net架构进行分割。该AI工具于2023年开发,当时AlexNet仍是乳腺影像特征提取中经过充分验证的架构。选择使用AlexNet是基于其在乳腺X线图像分析中已验证的性能、计算效率和可解释性。为提高准确性,采用了混合方法,整合AlexNet进行特征提取和U-Net进行分割。22 AI开发数据集包括来自未纳入本135例患者临床队列的患者的10 000张乳腺X线摄影图像。数据在患者层面按设备和BI-RADS密度类别分层,分为训练集(n = 8000)、验证集(n = 1000)和测试集(n = 1000)。所有10 000张乳腺X线摄影图像均带有密度标签用于分类训练。由于纤维腺体组织的逐像素手动标注劳动强度显著更大,仅对2000张乳腺X线摄影图像的分层随机子集(训练集 n = 1600;验证集 n = 200;测试集 n = 200)提供了完整的分割掩码;该标注子集用于分割训练和基准测试。BI-RADS决策阈值在训练集上推导,在验证集上调优,然后在独立测试集评估前锁定。

原始乳腺X线摄影图像尺寸不一,经归一化并调整至适合通过CNN处理的尺寸。对于AlexNet模型,输入图像调整为227 × 227像素。在输入网络之前,进行图像归一化以确保整个数据集中像素强度的均匀性。训练期间应用数据增强以防止过拟合并提高模型鲁棒性。

对于分割任务,采用了U-Net架构,该架构已被证明在医学图像分割中高度有效。该网络由用于特征提取的收缩路径和用于重建分割区域的扩张路径组成,提供像素级分类。网络的初始层捕获边缘和纹理等低级特征,而更深层识别组织结构和密度等更复杂的模式。该方法能够精确勾画纤维腺体组织与非纤维腺体区域。输出分割图通过后处理技术进行细化,包括形态学操作和条件随机场,以确保组织边界检测的高准确性。为验证分割准确性,模型在2000张手动标注乳腺X线摄影图像的单独子集上进行了测试。分割性能使用Dice相似系数(DSC)评估。

一旦乳腺被分割为纤维腺体区域和非纤维腺体区域,即计算体积乳腺密度。该模型通过对分割区域的像素强度进行积分,测量纤维腺体组织体积与总乳腺体积的比值。这使得能够准确估计乳腺密度,同时考虑组织体积和分布。

AI系统根据计算得到的体积密度将乳腺密度分为BI-RADS类别。采用了与ACR BI-RADS标准一致的基于阈值的算法。该系统将计算得到的密度值映射至4个BI-RADS密度类别中的1个:(1)几乎完全脂肪型,(2)散在纤维腺体密度区,(3)不均匀致密型,或(4)极度致密型。阈值基于专家放射科医师对训练数据集的共识进行经验性定义。21

这种将基于深度学习的特征提取模型(AlexNet)用于初始图像分析与U-Net用于精确分割相结合的方式,确保了AI工具能够有效支持放射科医师对乳腺密度进行分类并检测乳腺X线摄影特征中的细微变化。

统计分析

所有密度变化前后分析均基于专家阅片者的BI-RADS分类,该分类被预先指定为临床参考标准;AI输出在一致性分析中单独进行分析。

由于BI-RADS密度是一个配对的4级有序变量,密度分布的整体前后变化采用Stuart–Maxwell边际齐性检验进行评估。作为敏感性分析,有序评分变化还采用Wilcoxon符号秩检验进行评估。为支持类别特异性解读,对预先指定的二分类进行了二次精确McNemar检验:ACR C vs 非C、ACR D vs 非D、高密度(ACR C/D)vs 低密度(ACR A/B)。多重比较采用Holm校正。

采用有序 logistic 回归分析密度降低程度的预测因素,以密度降低程度作为因变量(0 = 无降低,1 = 降低1个BI-RADS类别,2 = 降低2个或以上类别)。协变量为年龄、绝经状态和基线BI-RADS密度类别。

密度降低与病理学缓解之间的关联采用Spearman's rho评估,95% CI通过Fisher's z变换估计,P值采用精确双侧检验。

4级BI-RADS量表的阅片者间一致性和AI与专家间一致性采用二次加权kappa作为主要有序一致性指标进行总结,ICC(双向随机效应、绝对一致性模型)作为次要总结指标,两者均报告bootstrap 95% CI。23 ICC值根据Koo和Li的标准进行解读:23 <0.50为差,0.50-0.75为中等,0.75-0.90为好,>0.90为极好可靠性。

描述性统计以均值 ± 标准差或中位数[IQR]报告(视情况而定)。统计学显著性定义为P < .05。所有分析均使用R软件(版本4.1.0)进行。

结果

本回顾性放射学研究共纳入135例三阴性和/或HER2阳性浸润性导管乳腺癌女性患者(表1)。该临床队列与包含10 000张乳腺X线摄影的AI开发数据集完全独立;临床队列中无任何患者或检查被用于AI训练、验证或测试。在AI开发数据集中,分层随机抽取的2000张乳腺X线摄影子集具有手动纤维腺体掩膜(训练集 n = 1600;验证集 n = 200;测试集 n = 200)。平均Dice相似系数(DSC)在训练子集中为0.88 ± 0.04,在验证子集中为0.87 ± 0.03,在独立测试子集中为0.86 ± 0.04,表明分割性能稳定且过拟合有限。

以专家阅片者为参考,新辅助治疗(NAT)后ACR乳腺密度分类的配对分布发生显著变化(Stuart–Maxwell卡方=35.19,df=3,P<.001;图1)。ACR C从NAT前的43/135(31.9%)降至NAT后的24/135(17.8%),ACR D从20/135(14.8%)降至9/135(6.7%)。在次要的类别特异性配对分析中,经Holm校正后两项变化仍均显著(ACR C:校正P=.001;ACR D:校正P=.013)。合并高密度组(ACR C/D)从63/135(46.7%)降至33/135(24.4%;校正P<.001)。在多变量有序logistic回归中,更大的密度降低独立地与较年轻年龄(每增加10岁的校正OR,0.74;95%CI,0.60-0.92;P=.006)、绝经前状态(校正OR,1.89;95%CI,1.12-3.20;P=.017)和较高的基线密度(每增加1个BI-RADS类别的校正OR,2.41;95%CI,1.71-3.47;P<.001)相关(表2)。

值得注意的是,NAT后ACR A和ACR B类别患者的相对百分比增加。这一变化并不表示乳腺密度实际增加,而是反映了一种重新分布效应,即许多最初分类为ACR C或D的患者转移到较低密度类别。基线时为ACR A或B的患者其密度分类基本保持稳定,因为其在治疗前密度已经较低。

密度降低与病理缓解相关(Spearman rho=0.53;95%CI,0.40-0.64;P=3.8×10−11),表明密度下降幅度较大的患者往往具有更有利的病理结局。

一致性指标显示出对阅片者专业知识的明显依赖(表3)。根据Koo和Li23的标准,基于ICC的信度在专家与中等经验放射科医生之间为中等(ICC=0.68;95%CI,0.59-0.76),在专家与住院医师之间为中等(ICC=0.55;95%CI,0.44-0.65),在专家与非放射科医生之间为差(ICC=0.39;95%CI,0.27-0.51),在专家与AI工具之间为好(ICC=0.78;95%CI,0.70-0.85)。二次加权kappa值显示出一致性排序相同。表4中总结的描述性统计显示了NAT前后平均乳腺密度评分,强调了治疗后乳腺密度的总体降低。

为提高模型透明度,通过检查基于AlexNet模型的卷积层进行特征提取分析,确保纹理和结构特征为密度分类提供信息。为验证AI评估的可靠性,我们将AI预测的BI-RADS类别与专家放射科医生的分类进行比较,显示出良好的一致性(ICC=0.78)。

表1 参与者人口学特征和基线特征。 查看原表 ↗
图1 基于专家阅片者分类,135例三阴性和/或HER2阳性浸润性导管乳腺癌女性在新辅助化疗前后ACR BI-RADS乳腺密度类别的分布。NAT后配对4类别分布发生显著变化(Stuart–Maxwell卡方=35.19,df=3,P<.001)。次要的Holm校正精确McNemar分析证实ACR C(31.9%降至17.8%,校正P=.001)和ACR D(14.8%降至6.7%,校正P=.013)显著降低。 查看原图 ↗
表2 与新辅助化疗后BI-RADS乳腺密度分类降低幅度更大相关因素的多变量有序逻辑回归分析。 查看原表 ↗
表3 读者间变异性的组内相关系数(ICC)。 查看原表 ↗
表4 乳腺密度评分的描述性统计。 查看原表 ↗

讨论

我们的研究强调了NAT后乳腺密度的显著降低,尤其是在基线乳腺密度高(ACR C-D)的患者中。这一发现与既往报道一致,即致密乳腺组织由于其较高的间质含量,更容易受到化疗引起的变化的影响。观察到的ACR C-D密度降低具有临床相关性,因为高乳腺密度与乳腺癌风险增加和乳腺X线摄影敏感性降低相关。19

治疗后被归类为ACR A或B的患者比例增加并不提示预后恶化。相反,它反映了一种自然的重新分布效应,即许多ACR C-D患者在NAT后转变为较低密度类别。治疗前已处于ACR A-B的患者密度变化极小,鉴于其基线纤维腺体含量较低,这是预期之中的。

这些发现表明,NAT后密度降低是治疗效果的一个候选影像学相关指标,而非经过验证的预测性生物标志物。鉴于回顾性、单中心设计以及缺乏外部验证,在现阶段应避免作出预测性和替代终点的解读。从ACR C-D向较低类别的转变可能改善治疗后乳腺X线摄影的肿瘤检出,可能有助于随访评估和手术规划。特别是,密度降低可能提高乳腺X线摄影敏感性,增强随访影像中对残留或复发疾病的检出;通过促进治疗后实质的更好显示,这也可能有助于手术决策,尤其是保乳手术方式。此外,在初始乳腺密度高的患者中,观察到的降低可能反映治疗引起的间质和腺体萎缩,这可作为应答的影像学生物标志物进行探索。

我们还发现,年轻女性和围绝经期女性在接受NAT后乳腺密度变化最为显著。绝经前女性化疗期间乳腺X线摄影密度降低可能归因于诱导性闭经,导致小叶萎缩。15

我们的结果表明,乳腺密度变化可以被可重复地量化,并可能对疗效监测具有探索性价值,但在提出临床生物标志物主张之前需要进行前瞻性验证。人类读者之间的一致性为中等,专家读者与AI工具之间的一致性为良好,这凸显了将AI整合到常规评估中以改善乳腺密度评估准确性和可重复性的潜力。应用于影像学的人工智能还可以在NAT开始前预测肿瘤应答。Skarping等人的一项概念验证研究17使用深度学习模型结合基线数字乳腺X线摄影来预测新辅助治疗的应答,达到了0.71的AUC。该模型通过分析基于数字乳腺X线摄影中灰度像素变化的乳腺组织和肿瘤外观模式来进行预测。17

已开发出自动化评估方法,其与人工评估显示出更好的相关性,并能预测乳腺癌风险,尤其是在使用乳腺体积密度时。11,24 2011年,Ciatto等25证明了乳腺密度视觉分类具有高可重复性;将视觉评估与计算机化工具(QUANTRA)进行比较,后者也显示出高可重复性。Brandt等15发现BI-RADS分类与2种自动化评估工具之间具有中等一致性。Youk等12观察到与视觉评估相比,密度分类的一致性存在差异。

2016年,Kang等11研究了计算机辅助方法的可靠性。他们比较了3种计算机辅助方法估算乳腺百分比密度的可靠性:交互式阈值法、半自动法和全自动法。一项有趣的发现是半自动方法的应用,该方法侧重于使用自动窗宽和窗位设置来确定致密区与脂肪区之间的阈值。11即使是全自动方法在百分比密度估算方面也具有极好的可靠性,提供的可靠估算几乎不受读者内和读者间变异以及读者依赖性系统偏倚的影响。11

我们的研究还使用了一种内部开发的AI工具,该工具使用机器学习算法进行自动化测量,提供可与放射科医生评估进行比较的独立评估,并有助于提高不同评估方法之间的一致性。

表2显示了放射科医生之间以及放射科医生与AI工具之间不同程度的一致性,强调了将AI整合到乳腺密度评估临床实践中的挑战和潜力。专家与中等经验放射科医生之间的一致性良好(ICC = 0.68),表明乳腺影像经验在实现一致评估方面起着关键作用。专家与住院医师之间的一致性为中等(ICC = 0.55),专家与非放射科医生之间的一致性较差(ICC = 0.39)。这些发现凸显了经验较少或未经培训的评估者可能出现的显著变异性,并加强了对稳健培训项目和标准化方案的需求,以提高经验较少的阅片者之间的一致性。26,27 专家放射科医生与AI工具之间的良好一致性证明了AI在提高乳腺密度评估可靠性方面的潜力。人工智能工具不受疲劳或主观解释的影响,能够提供标准化和可重复的评估,从而减少观察者间和观察者内变异性。27这在乳腺密度评估的背景下尤为重要,因为一致的评估对于准确的风险分层以及个性化筛查和治疗计划至关重要。28,29 在其他多阅片者乳腺影像研究中也报道了一致的经验依赖性变异性,进一步支持了跨模态阅片者培训的重要性。30

将人工智能整合到放射学中的一个主要挑战是确保深度学习模型的透明度和可解释性。为解决这一问题,我们引入了可解释性技术,包括特征提取分析,以突出模型的决策过程。我们的结果证实,该人工智能工具在评估乳腺密度时主要关注纤维腺体组织区域,支持其作为放射学辅助工具的有效性。此外,与专家放射科医师的高度一致性进一步增强了我们基于人工智能的密度分类系统的可靠性。

总体而言,我们的研究结果表明,将人工智能整合到乳腺密度评估中可以显著提高评估的一致性和可靠性。然而,为最大限度地发挥人工智能的优势,确保人工评估者,尤其是经验较少的评估者,接受充分的培训并遵循标准化方案至关重要。未来研究应侧重于进一步完善人工智能算法,并探索其融入临床工作流程,以支持放射科医师提供最高标准的诊疗,同时还应解决数据可用性、隐私和泛化性问题,这些问题仍然是人工智能在乳腺影像学中持续演进的核心。31 此外,需要长期研究来评估人工智能辅助评估对乳腺癌筛查和治疗中临床结局及患者管理的影响。

我们的研究侧重于评估不同经验水平的放射科医师之间以及放射科医师与人工智能工具之间BI-RADS乳腺密度分类的一致性。虽然我们承认基于体积的乳腺密度测量提供了更客观的评估,但我们的目标是评估基于BI-RADS的评估的准确性和可重复性,而这仍然是临床实践中的标准方法:BI-RADS分类因其可及性、易于实施以及与常规乳腺X线摄影报告兼容而被广泛使用,使我们的研究结果可广泛适用于不同的医疗环境。未来研究应探索将体积评估与定性BI-RADS分类相结合如何增强乳腺癌诊疗中的乳腺密度评估和预测建模。

本研究的局限性包括其回顾性和单中心性质,这可能限制研究结果对其他人群的普适性。此外,本研究未评估新辅助治疗对乳腺密度的长期影响,且缺乏对照组,使得难以确定观察到的乳腺密度下降是否仅由新辅助治疗所致。本研究的另一局限性是人工智能工具缺乏外部验证。尽管该模型在大型机构数据集(n = 10 000份乳腺X线摄影图像)上进行了训练和验证,并显示出与专家放射科医师良好的一致性(ICC = 0.78),但尚未在其他机构的独立数据集上进行测试。外部验证对于确保人工智能驱动的乳腺密度评估在不同人群、成像方案和医疗环境中的普适性至关重要。

为克服这些局限性,未来研究可采用前瞻性多中心设计以尽量减少选择偏倚和信息偏倚。此外,可纳入长期随访以评估新辅助治疗对乳腺密度随时间变化的影响。

结论

这项回顾性单中心研究提示,NAT与乳腺X线摄影乳腺密度降低相关,且密度下降幅度越大,伴随的病理缓解越有利。读者在密度分类上的一致性在很大程度上取决于经验,而AI工具与专家读者显示出良好的一致性。这些发现属于假设生成性质,在密度变化可被视为NAT缓解的生物标志物或替代终点之前,尚需前瞻性、外部验证的研究。

引用

  1. Pesapane F, Sorce A, Di Millo B, et al. Impact of neoadjuvant chemotherapy on breast tissue density and its correlation with pathologic response: a retrospective artificial intelligence-enhanced radiological study. Br J Radiol. 2026. PMID: 42179163. doi:10.1093/bjr/tqag114
  2. 全文:PMC13389069(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13389069/

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。