文献速递乳腺技术与安全乳腺X线

乳腺X线AI筛查模型不同版本性能比较

Performance across different versions of an artificial intelligence model for screen-reading of mammograms.
PubMed 文献 · Eur Radiol · 2026-01-13

本研究回顾性纳入挪威乳腺筛查项目117,709例乳腺X线检查,比较同一商业AI模型Transpara 1.7与2.1版本的恶性肿瘤风险评分。新版2.1将93.5%的筛查检出癌评为最高风险10分,高于旧版1.7的87.1%;间期癌最高评分比例两版无差异。AUC亦有所提高,提示版本更新可改善筛查检出性能。

要点

  • 新版AI对筛查检出癌最高评分比例提高,但间期癌最高评分比例无变化。
  • 新版AI对假阳性召回病例评为10分的比例同步升高,可能影响召回率。
  • 间期癌中约四成余仍为低中风险评分,提示AI对可见征象的识别存在上限。

核心结论

  • 新版AI模型对筛查检出乳腺癌给予最高风险评分10分的比例较旧版提高,但对间期癌最高评分比例无差异。

研究设计与样本

  • 回顾性队列研究,纳入BreastScreen Norway 2009—2018年117,709例筛查检查,来自两个乳腺中心,共47,840名女性。
  • 设备为Siemens Mammomat INSPIRATION,采用标准2D数字乳腺X线摄影;AI模型为Transpara 1.7与2.1。
  • 以737例筛查检出癌和200例间期癌为阳性病例,用ROC曲线AUC及95%CI评估连续AI评分诊断效能。

关键影像表现/征象

  • 幻影征象方面,筛查检出癌中「毛刺状肿块」在AI评分升高组最常见,占37.2%(16/43),提示新版可能改善不对称征象识别。
  • 4mm组织学1级浸润性筛查检出癌在AI 1.7版评分为5、2.1版评分为10,表现为版本更新后的评分升高。
  • 间期癌中43.5%在AI评分稳定低中风险组,且组织学3级和淋巴结阳性比例较高,提示这类病变在筛查图像上缺乏可疑征象。

诊断标准与关键数值

  • 以筛查检出癌为阳性时,AUC为0.949(95%CI:0.939–0.959)对1.7版,0.976(95%CI:0.970–0.981)对2.1版,p<0.001。
  • 以筛查检出癌和间期癌为阳性时,AUC为0.908(95%CI:0.986–0.920)对1.7版,0.928(95%CI:0.917–0.938)对2.1版,p<0.001。
  • AI评分1–7分为低风险,8–9分为中风险,10分为高风险;2.1版低风险评分1–7分负预测值为99.9%。
  • 筛查检出癌中评分10比例:1.7版87.1%(642/737),2.1版93.5%(689/737);间期癌中评分10比例:1.7版45.0%(90/200),2.1版44.5%(89/200)。

临床应用与阅片要点

  • 新版AI对筛查检出癌最高评分比例提高,但假阳性召回病例中评分10比例亦升高,需在整合AI与人工阅片时关注召回率变化。
  • 间期癌中新版最高评分比例未提高,且12%间期癌评分下降,提示AI版本更新后仍需对间期癌保持警觉。
  • AI评分不能完全替代人工判读,尤其对仅表现微小不对称或缺乏明确肿块钙化的病例仍需放射科医师综合评估。

局限性

  • 仅使用单一厂商(Siemens)乳腺X线设备采集的图像,结果可能不适用于其他设备厂商。
  • 仅评估单一AI厂商模型,版本间评分差异可能不适用于其他商业AI模型。
  • 未分析AI在乳腺X线图像上的标记位置,无法确定具体影像征象是否驱动评分变化。
全文中译13 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:Eur Radiol. 2026 Jan 13;36(6):4422–33. doi: 10.1007/s00330-025-12240-6

引言

乳腺X线摄影乳腺癌筛查预计将在未来十年面临重大变革[1, 2]。人工智能(AI)在改善乳腺X线摄影筛查判读和结局方面具有显著前景[3–12]。目前已有多种获得欧洲合格认证(CE)标记和美国食品药品监督管理局(FDA)批准的AI模型可供使用。这些AI模型可用于放射科医生图像判读时的决策支持,在双阅片环境中替代一部分人工阅片,和/或根据提示恶性风险的评分将检查分诊为单阅片或双阅片。其潜在益处包括提高筛查检出癌率、降低间期癌率和假阳性筛查结果率,以及减少放射科医生的工作量。然而,使用AI还面临伦理和法律方面的挑战,此外还有其他问题,如自动化偏倚以及安装、运行算法、系统性能验证和质量保证的成本。

获得监管机构批准的商用AI模型正随着时间不断改进,软件会定期更新。一项研究报告了两个连续版本AI乳腺X线摄影模型的性能结果,显示最新版本在灵敏度方面优于人类[13]。在实际应用中,在乳腺X线摄影判读中使用AI的主要挑战之一是每次版本更新可能如何影响判读性能。例如,用于定义可疑与非可疑发现的AI阈值可能因模型改进而随时间变化,并最终可能在人群水平上改变筛查结局。

由于关于同一商用AI模型用于乳腺X线摄影筛查判读时两个版本之间性能差异的数据很少,我们的研究目的是在挪威乳腺筛查项目(BreastScreen Norway)这一全国性筛查项目中评估版本更新如何影响筛查判读性能。在本研究中,我们使用回顾性的个体、检查水平数据,比较两个版本AI模型的AI恶性风险评分与关键性能指标(如筛查检出癌率和间期癌率)的关系。此外,我们还比较了两个版本的AI恶性风险评分在组织病理学肿瘤特征和乳腺X线摄影征象方面的差异。

材料与方法

这项回顾性队列研究纳入了2009—2018年在挪威乳腺筛查项目(BreastScreen Norway)中接受筛查的女性的乳腺X线图像和检查水平数据。该研究获得了医学与健康研究伦理区域委员会(#2018/2574)的批准,并依据《通用数据保护条例》第6(1)(e)条和第9(2)(j)条具有法律依据。数据披露的法律依据为《癌症登记条例》第3–1条和《个人健康数据存档系统法》第19a至19h条[14, 15]。

研究人群

挪威乳腺筛查(BreastScreen Norway)是一项全国性项目,邀请50–69岁女性每两年接受一次乳腺X线筛查,每年约有250,000名女性参与[16]。自1996年项目启动以来,参与率一直稳定在75%左右[16, 17]。两名放射科医师独立判读乳腺X线片,并对每侧乳房给出1至5分的评分,其中1分表示正常所见,2分表示可能良性所见,3分表示中度可疑,4分表示可能恶性,5分表示高度怀疑恶性。任一或两名放射科医师评分为2分或以上的检查将在共识会上讨论,会上决定该女性是否应被召回接受进一步评估。

总体研究人群包括2009年1月至2018年12月期间在挪威中部地区卫生局两个乳腺中心进行的132,195例标准2D数字筛查检查的信息(图1)。经排除后,最终样本包括117,709例筛查检查。在这两个中心,研究期间所有乳腺X线片均使用西门子Mammomat INSPIRATION设备采集。我们此前已报道过1.7版在相似检查样本中的性能[18, 19]。

图1 研究人群流程图 查看原图 ↗

AI模型

使用Transpara 1.7版和2.1版(ScreenPoint Medical BV)对每例乳腺X线检查进行评分。最新版本于2024年12月起可供临床使用[20],并已获得FDA批准和CE标志,适用于2D和3D乳腺X线摄影[20, 21]。2.1版在架构算法上有所改变,据该AI公司称,除更新了数据采样技术外,模型训练中还纳入了来自不同乳腺X线设备厂商和乳腺中心的更多数据。我们采用检查级风险评分(AI评分)分类,其中AI评分1–7表示乳腺癌低风险,8–9表示中等风险,10表示高度恶性风险。该模型还提供检查级连续风险评分。

变量定义

筛查检出癌定义为召回评估后确诊的浸润性乳腺癌或导管原位癌(DCIS)。召回定义为因筛查乳腺X线片上的可疑所见而进行的评估,而假阳性筛查结果定义为召回评估后在随访评估中未检出任何乳腺癌。间期癌定义为阴性筛查检查后24个月内或假阳性筛查结果后6–24个月内确诊的浸润性癌或DCIS。本研究仅纳入间期癌诊断之前进行的筛查检查。

组织病理学类型分为导管原位癌(DCIS)或浸润性癌。对于浸润性癌,我们分析了中位肿瘤直径(mm)、组织学分级(1–3级)、淋巴结状态(阳性/阴性)以及基于免疫组织化学的分子亚型。亚型根据略微修改的St. Gallen定义进行分类:Luminal A型(ER阳性,HER2阴性,Ki-67 ≤ 30%或Ki-67缺失时为1级或2级)、Luminal B HER2阴性型(ER阳性,HER2阴性,Ki-67 > 30%或Ki-67缺失时为3级)、Luminal B HER2阳性型(ER阳性,HER2阳性)、HER2阳性型(ER阴性,PR阴性,HER2阳性)和三阴性(ER阴性,PR阴性,HER2阴性)[22]。乳腺X线摄影特征由放射科医师根据标准筛查环境中召回病例的改良BI-RADS分类进行评估,并分为“肿块”、“毛刺状肿块”、“结构扭曲”、“不对称致密影”、“伴钙化的致密影”和“单纯钙化”[16, 23]。

统计分析

对连续AI评分估计受试者工作特征曲线下面积(AUC)和95%置信区间(CI),其中一个AUC估计以筛查检出癌为真阳性,另一个以2年内检出的癌(筛查检出癌和间期癌)为真阳性。进行聚类自助法分析以考虑每位女性多次就诊的情况。AUC估计值之间的差异使用Stata中的roccomp命令进行检验,p < 0.05被认为具有统计学意义[24]。按两个AI版本分层,描述AI评分1–10在共识通过、共识时驳回、召回、假阳性、筛查检出癌和间期癌以及所有检查中的分布。

按不同AI评分组分层描述浸润性癌的组织病理学肿瘤特征和乳腺X线摄影特征。由于每个AI评分组中具有可用信息的间期癌病例数量有限,未描述间期癌的乳腺X线摄影特征。AI分组为:(1)评分升高(AI评分1.7版本为1–9且2.1版本为10),(2)稳定低或中等评分(两个版本AI评分均为1–9),(3)稳定高评分(两个版本AI评分均为10),以及(4)评分降低(AI评分1.7版本为10且2.1版本为1–9)。

我们使用Stata(StataCorp. 2023. Stata Statistical Software: Release 19)进行数据分析。

结果

在排除了因技术图像不合格或自述症状而导致召回的检查,以及在整个研究人群中缺失AI风险评估的检查后,最终研究样本包括117,709例筛查检查,其中737例筛查检出癌和200例间期癌(图1)。这些检查在47,840名女性中完成。筛查时平均年龄为59.9岁(标准差,SD = 5.9),诊断时平均年龄为61.2岁(SD = 5.8岁)。

基于连续AI风险评分的准确性

当筛查检出癌(n = 737)被视为阳性病例时,1.7版本的AUC为0.949(95% CI:0.939–0.959),2.1版本的AUC为0.976(95% CI:0.970–0.981),p < 0.001(表1)。当筛查检出癌和间期癌(n = 937)均被视为阳性病例时,1.7版本的AUC为0.908(95% CI:0.986–0.920),2.1版本的AUC为0.928(95% CI:0.917–0.938),p < 0.001。

表1 Transpara 1.7版和2.1版在117,709次筛查检查中,将筛查检出癌(n=737)及筛查检出癌+间期癌(n=937)视为真阳性时的受试者工作特征曲线下面积(AUC)及95%置信区间(CI) 查看原表 ↗

AI评分1–10

1.7版将12.2%(14,347/117,709)的检查评为AI评分1,而2.1版将9.0%(10,563/117,709)的检查评为评分1(表2)。1.7版将10.1%(11,963/117,709)的检查评为AI评分10,2.1版为10.7%(12,605/117,709)。低AI评分(未登记为筛查检出癌或间期癌/AI评分1–7)的阴性预测值在1.7版和2.1版均为99.9%(1.7版80,043/80,136;2.1版80,406/80,483)。

我们发现,87.1%(642/737)的筛查检出癌在1.7版中被评为AI评分10,而2.1版为93.5%(689/737)(表2)。在所有AI评分为10的检查中,筛查检出癌所占比例1.7版为5.4%(642/11,963),2.1版为5.5%(689/12,605)。对于间期癌,AI评分为10的百分比在1.7版和2.1版分别为45.0%(90/200)和44.5%(89/200)。

在标准双阅片模式下,共登记3071例假阳性筛查结果(表2)。其中,1.7版将25.2%(774/3071)评为AI评分10,而2.1版为31.4%(963/3071)。经共识讨论、共识后排除及召回病例按AI评分的筛查检查分布见补充表1。

表2 Transpara 1.7版和2.1版在所有检查、筛查检出癌、间期癌及假阳性筛查结果中的人工智能(AI)评分1–10分布 查看原表 ↗

筛查检出癌在1.7版和2.1版中的AI评分

在737例筛查检出癌中,7.9%(58/737)的AI评分从低或中等(1.7版AI评分1–9)升高至高(2.1版AI评分10)(表3,图2)。5.0%(37/737)的AI评分维持在低或中等水平,85.6%(631/737)维持在最高AI评分,而1.5%(11/737)的癌症病例AI评分下降(1.7版为10分,2.1版为1–9分)。在58例评分升高的病例中,使用1.7版分析时,16例AI评分为1–7(低风险),42例评分为9(中等风险)(图2)。图3展示了一例AI评分升高的筛查检出癌(1.7版AI评分5,2.1版评分10)。共计39.7%(23/58)存在判读不一致(一位放射科医生判读评分为1,另一位为2或更高)。在11例2.1版较1.7版AI评分下降的筛查检出癌中,3例两位放射科医生的判读评分均为3或更高,提示两位放射科医生均认为恶性可疑程度为中等至高度。

按AI评分分组划分的肿瘤直径显示,评分升高的浸润性病例的中位肿瘤直径为9 mm(四分位距,IQR:7–15),持续低或中等评分的病例为10 mm(IQR:7–17),持续高评分的病例为13 mm(IQR:9–18),评分降低的病例为11 mm(IQR:7–13)(表3)。淋巴结阳性状态在评分升高的浸润性病例中占14.9%(7/47),在持续低或中等评分的病例中占19.4%(6/31),在持续高评分的病例中占22.8%(117/514),在评分降低的病例中占10.0%(1/10)。

“毛刺状肿块”是最常见的乳腺X线摄影特征,在评分升高的病例中占37.2%(16/43)(表3)。没有“仅钙化”的病例出现评分升高,但持续低或中等评分的病例中有3.7%(1/27)、持续高评分的病例中有11.3%(55/489)、评分降低的病例中有11.1%(1/9)被归类为“仅钙化”。在11例评分降低的筛查检出癌中,共有7例被归类为“肿块”或“毛刺状肿块”。

图2 使用Transpara 1.7版和2.1版时,低人工智能(AI)评分(AI评分1–7)、中等(AI评分8–9)和高(AI评分10)AI评分的筛查检出癌数量 查看原图 ↗
图3 一名53岁女性患者的左头尾位和内外斜位乳腺X线片,患有一个4 mm的浸润性1级组织学筛查检出癌。1.7版的检查级人工智能(AI)评分为5,2.1版为10(AI评分升高)。红色圆圈标记肿瘤位置 查看原图 ↗
表3 不同人工智能(AI)评分组中筛查检出癌和浸润性筛查检出癌的数量,以及浸润性筛查检出癌的组织病理学肿瘤特征和乳腺X线摄影特征 查看原表 ↗

间隔癌在1.7版和2.1版中的AI评分

与1.7版相比,2.1版中总计11.5%(23/200)的间隔癌评分升高,43.5%(87/200)持续低或中等评分,33.0%(66/200)持续高评分,12.0%(24/200)评分降低(表4,图4)。在AI评分降低的间隔癌中,总计83.3%(20/24)被两位放射科医师均评为1分(阴性)。在89例使用2.1版被赋予AI评分10的间隔癌中,1.7版分别将4.5%(4/89)、21.3%(19/89)和74.2%(66/89)的病例赋予AI评分1–7、8–9和10(图4)。

在浸润性间隔癌中,评分升高、持续低或中等评分、持续高评分和评分降低的病例中组织学3级的比例分别为40.0%(8/20)、52.5%(42/80)、31.2%(19/61)和43.5%(10/23)(表4)。四组中淋巴结受累病例的相应比例分别为40.0%(8/20)、36.3%(29/80)、32.2%(19/59)和31.8%(7/22)。

图4 使用Transpara 1.7版和2.1版时,低人工智能(AI)评分(AI评分1–7)、中等(AI评分8–9)和高(AI评分10)AI评分的间隔癌数量 查看原图 ↗
表4 不同人工智能(AI)评分组中间隔癌、浸润性间隔癌的数量,以及浸润性间隔癌的组织病理学肿瘤特征 查看原表 ↗

讨论

在这项回顾性队列研究中,我们发现使用新版与旧版经FDA批准、CE认证的AI模型相比,被判定为最高AI评分10分的筛查检出癌症比例显著更高(分别为93.5%和87.1%)。对于间期癌,两个版本之间被判定为最高评分10分的病例总体比例未观察到差异(最新版本2.1为44.5%,旧版本1.7为45.0%)。

版本2.1的AUC与使用其他AI系统在挪威乳腺筛查中心(BreastScreen Norway)数据上报告的AUC值一致[4, 12, 25]。将筛查检出癌症和间期癌作为真阳性纳入时,本研究中AUC为0.928,而使用另外两个CE认证的AI模型报告的AUC分别为0.928和0.921[4, 12]。一个基于挪威乳腺筛查中心数据训练的内部模型也报告了0.925的AUC[25]。AUC值的相似性可能表明,AI独立诊断准确率存在一个可预期的最大平台期,剩余的挑战可能在于确定如何在真实世界筛查环境中最佳地结合AI与放射科医生进行乳腺X线摄影解读。

来自马尔默的随机对照MASAI试验使用Transpara 1.7版本作为筛查阅片中的决策支持,他们发现在AI评分为1–9的检查进行单次阅片、AI评分为10的检查进行双次阅片的模式下,筛查检出癌症率较标准双次阅片高29%[9]。使用该算法的更新版本可能会获得比MASAI试验报告的更高的筛查检出癌症率。间期癌发生率是MASAI试验的主要终点,更高的筛查检出癌症率如何影响间期癌发生率尚未发表。

考虑到组织病理学肿瘤特征和乳腺X线摄影特征的结果,对于为什么更多筛查检出癌症病例在版本2.1中被判定为评分10没有明显的解释。在评分升高的组中,不对称征象占25.6%,而在稳定低分或稳定中等分的组中为14.8%。因此,该AI模型的新版本可能改进了对可疑不对称征象的识别。尽管在这个基于人群的筛查队列中评分降低的病例很少,但令人惊讶的是,我们观察到更新版本的AI模型对某些筛查检出癌症给出了更低的AI评分。此外,使用任一版本均未被分类为AI评分10的筛查检出癌症病例(评分升高、降低或稳定低/中等分)对于未来分析与性能漂移相关的更新版本将具有重要价值。

既往研究表明,约20%–30%的间期癌被定义为假阴性,且具有被更早检测出的潜力[26, 27]。在本研究中,我们未观察到被分类为最高AI评分的间期癌比例增加,且12%的间期癌在版本2.1中的评分低于版本1.7。结果提示,AI可检测的可见异常可能存在一定限度,识别间期癌的最大潜力范围在33.0%(稳定高分)至44.5%(版本2.1中AI评分为10的百分比)之间。

既往研究也表明,在筛查中归类为漏诊/微小征象的间期癌具有更有利的组织病理学肿瘤特征 [26]。我们未发现间期癌的AI评分组间存在有利或不利肿瘤特征的明确趋势。但考虑到组织学3级肿瘤和三阴性癌的高比例,稳定低或中等AI评分的病例可能代表真正的间期癌,对于这些病例,由于筛查图像上缺乏可疑的乳腺X线摄影表现,我们不会预期其有高AI评分。

我们研究的优势包括大规模筛查队列及对癌症结局的完全捕获。局限性包括使用了来自单一制造商(西门子)的乳腺X线摄影检查及使用了一家AI供应商。不同版本间的AI评分差异可能无法推广至其他制造商、乳腺中心及商业AI模型。我们未检查AI标记在乳腺X线摄影图像上的位置,这限制了我们了解是否有任何乳腺X线摄影表现导致了评分变化。然而,我们在既往研究中报告,本研究所用AI模型为所有AI评分最高为10分的筛查检出癌标记了正确的癌症位置 [28]。

总之,我们观察到,当使用经监管批准的商业AI模型更新版本进行筛查性乳腺X线摄影解读时,被归类为最高AI评分的筛查检出癌比例更高。然而,在临床实践中使用AI的净获益仍未知,因为我们同样观察到AI评分10分的病例比例更高,且由此产生的召回率和假阳性筛查率仍未知。此外,使用更新版本后,被归类为最高AI评分的间期癌比例无变化。展望未来,了解商业乳腺X线摄影AI模型的更新如何影响人群水平的筛查性乳腺X线摄影性能和结局,对于未来AI模型的质量保证和验证将非常重要。

补充信息

电子补充材料

引用

  1. Larsen, Lee, Bergan, et al. Performance across different versions of an artificial intelligence model for screen-reading of mammograms. Eur Radiol. 2026. PMID: 41528472. doi:10.1007/s00330-025-12240-6
  2. 全文:PMC13212409(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13212409/

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。