文献速递乳腺技术与安全乳腺X线

人工智能乳腺X线检测与短期乳腺癌风险模型在预期内外用途的比较

Comparison of Artificial Intelligence Detection and Short-Term Breast Cancer Risk Models within and beyond Their Intended Use in Mammography Screening.
PubMed 文献 · Radiol Imaging Cancer · 2026-01-01

该回顾性研究基于瑞典筛查队列(2008年5月至2016年12月,Hologic设备),纳入20187次检查(7430名女性),比较Mirai Risk、RSNA Detection、Transpara Detection和Transpara Risk模型在检测与短期风险两种预期及非预期场景下的判别性能。结果显示各模型在预期场景下表现最佳:Transpara Detection与Transpara Risk检测AUC均为0.92,Transpara Risk在风险预测中AUC为0.81。

要点

  • Transpara Detection在双读敏感度下特异度最高(97.1%,95%CI 96.8-97.3),优于其他模型(P<.001)。
  • Transpara Risk预测间隔癌:AUC 0.81(95%CI 0.78-0.84),90%特异度下敏感度49.8%。
  • Mirai Risk与Transpara Detection的AUC无显著差异(P=.96)。

诊断标准与关键数值

  • Transpara Detection与Transpara Risk检测AUC均为0.92(95%CI 0.91-0.93;P=.93),优于其他模型(均P<.001)。
  • Transpara Detection在双读敏感度下特异度97.1%(95%CI 96.8-97.3),最高(均P<.001)。
  • Transpara Risk与RSNA Detection在该敏感度下特异度无差异证据(P=.29)。
  • Transpara Risk风险预测AUC 0.81(95%CI 0.78-0.84),间隔癌90%特异度下敏感度49.8%(均P≤.002)。
  • Mirai Risk与Transpara Detection的AUC无差异证据(P=.96)。

临床应用与阅片要点

  • 原文未据此给出推荐。

局限性

  • 原文未报告局限性。
全文中译14 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:Radiol Imaging Cancer. 2026 Sep 25;8(5):e250609. doi: 10.1148/rycan.250609

摘要

基于人工智能的乳腺X线摄影检测模型和短期乳腺癌风险预测模型在其预期应用中表现最佳,而在这些场景之外应用时性能较低。

要点

■ 在这项回顾性病例对照研究中,共纳入20 187例筛查检查(7430名女性),利用单轮筛查结局,在预期和非预期应用中比较了基于人工智能的乳腺X线摄影检测模型和乳腺癌风险预测模型。

■ 在筛查人群中,检测模型和风险模型在乳腺癌检测方面均取得了相似的性能(受试者工作特征曲线下面积,两者均为0.92;P = .93),在双重阅片灵敏度下,检测模型显示出更高的特异度(97.1%)。

■ 在筛查阴性人群中,风险模型在间期癌预测方面取得了最高性能(受试者工作特征曲线下面积,0.81),在90%特异度下灵敏度为49.8%(所有P ≤ .002)。

引言

尽管使用乳腺X线摄影进行乳腺癌筛查已成功降低了死亡率(1),但在欧洲,多达三分之一的乳腺癌在常规筛查中仍被漏诊(2),归入间期癌的范畴。近期研究侧重于对阴性结果后进行补充筛查的高风险女性进行分层(3),旨在检出那些在乳腺X线摄影中难以识别或生长速度快于筛查间隔的病变(4)。基于基因突变、生殖危险因素和乳腺X线摄影乳腺密度,已开发出流行病学风险模型来预测5年至终生风险(5,6)。然而,其性能欠佳且无法预测短期风险,限制了其在临床实践中的适用性(7)。

基于人工智能(AI)的乳腺X线摄影风险模型已被开发用于根据乳腺密度之外的乳腺X线摄影特征预测短期风险(最长5年)(8,9),并已显示出优于传统流行病学模型的性能(10,11)。有前景的AI模型要么以黑箱方式从大规模筛查数据中识别乳腺X线摄影危险因素(10),要么分别考虑不同的乳腺X线摄影危险因素,如病变恶性倾向和纹理特征(12,13)。尽管AI模型性能优越,但这些模型学习到的危险因素往往在不同程度上是未知的,因而难以解释其预测结果。

癌症检测的目的是识别可疑病变,而风险预测的目的是评估健康女性未来的癌症风险。然而,近期研究已证明这两项任务具有重叠性(14),这种重叠源于既往阴性检查中的漏诊或细微征象(4,15)以及良性乳腺疾病相关的风险升高(16,17)。此外,AI研究报告称,在风险模型训练期间纳入病变征象可能会使学习到的特征偏向这些易于识别的标志,可能导致模型忽略更细微和更复杂的纹理模式(18,19)。因此,目前仍不清楚短期风险模型在风险预测方面是否比检测模型具有附加价值,或者风险模型能否替代检测模型用于病变检测。

着眼于单轮乳腺X线筛查的结果,本研究旨在比较基于AI的乳腺癌检测与短期风险预测模型在其预期和非预期场景下的表现,以评估特定任务性能。对检测(所有筛查检查)和短期风险预测(仅筛查阴性检查)分别进行了模型性能评估。

材料与方法

研究队列与设计

由于使用了公开数据集——筛查年龄女性队列-病例对照数据集(20,21),本回顾性研究免于机构审查委员会审查。该数据集包含2008年5月至2016年12月期间瑞典40–74岁女性的筛查乳腺X线图像。数据集包括首次诊断为原位癌或浸润性乳腺癌的女性数据,以及最近一次筛查结果为阴性的健康对照数据。两组女性既往筛查阴性检查均有提供。所有筛查检查均包含使用Hologic设备采集的全视野数字乳腺X线摄影的四个标准投照位。诊断时间由数据集提供方分组为小于60天、60–729天或超过730天(最长7年)。鉴于筛查间隔为18至24个月,筛查检出癌定义为诊断时间小于60天的检查,间期癌定义为诊断时间为60–729天的检查。患者组中所有其他检查被视为癌前检查。60–729天类别中随后又有一次筛查检查的癌症患者的检查不被视为间期癌。

遵循原始数据集整理方式,主要分析采用了基于检查的病例对照研究设计,结局为单轮筛查结果。元数据不一致、无法由AI模型处理或缺少2年随访数据的检查被排除。研究了两种临床上不同的场景:检测和短期风险。在检测场景中,考虑了放射科医师在筛查实践中解读的所有检查,筛查检出癌和间期癌构成病例组,健康检查构成对照组。在短期风险场景中,仅间期癌纳入病例组,健康检查纳入对照组,代表用于风险预测的筛查阴性人群。癌前检查在两种场景中均被视为健康对照。由于两种场景在漏诊癌症和细微病变方面存在重叠,病变检测AI模型和风险预测AI模型均在两种场景中进行了评估。为更好地理解风险场景中的表现,次要分析聚焦于长期风险场景,其中病例组仅包括被确定为癌前的检查,对照组包括来自健康个体且至少有7年无癌随访的检查。

病变检测与风险预测模型

使用了四种基于乳腺X线摄影的AI模型,用于病灶检测或风险预测:公开可用的Mirai Risk(10,11,22)、2023年RSNA筛查乳腺X线摄影乳腺癌检测AI挑战赛(24)的获胜模型(RSNA Detection)(23),以及商用的Transpara Detection和Transpara Risk模型(版本2.1.0和研究版本1.0.1;ScreenPoint Medical)(13,25)。这些模型均未使用Screen-Age Women队列-病例对照数据集进行训练。ScreenPoint Medical未提供任何资金支持。Mirai Risk和RSNA Detection是在包含筛查检出癌和间期癌的筛查人群数据上训练的,但Mirai Risk并非为病灶检测而设计。Mirai Risk预测1-5年内癌症存在的可能性,而RSNA Detection预测2年内癌症诊断的可能性。在本研究中,两个公开可用模型均仅使用乳腺X线图像作为输入。

与以完全黑箱方式训练的公开可用模型不同,Transpara模型首先提取具有临床意义的乳腺X线摄影特征,然后将其聚合用于预测。Transpara Detection针对筛查检查进行了优化,可识别乳腺X线图像中的可疑区域,并根据检测到的病灶分配检测评分。Transpara Risk(在先前版本基础上改进[13,25])仅在筛查阴性检查上训练,首先计算乳腺纹理评分,该评分与固有风险相关且不受病灶偏倚影响。纹理评分与Transpara Detection评分和Transpara乳腺密度相结合,生成2至5年风险评分。对于Transpara模型,由于Screen-Age Women队列-病例对照数据集已匿名化,需要对年龄和受压乳腺厚度进行额外数据填补(详见附录S1)。

尽管Mirai Risk和Transpara Risk提供长达5年的风险评分,但本研究仅考虑2年风险预测,以聚焦于病灶检测和风险预测的重叠时间范围。由于乳腺密度是筛选可能需要补充筛查女性的一个有前景的临床指标,Transpara体积乳腺密度模型被纳入作为两种风险设置中的参考。

工作点的选择

在主要分析中,工作点根据两种设置下具有临床意义的指标进行选择,以比较敏感度和特异度。对于检测设置,所有模型均与放射科医师的双阅片敏感度匹配,该敏感度根据本数据集计算得出,以便与人类表现进行比较。在该敏感度水平下,进一步通过模型标记的筛查检出癌与间期癌的比值来表征模型,以说明各模型标记不同类型癌症的倾向。同时还在90%特异度下考虑工作点,以与美国筛查实践保持一致,尽管相应的召回率在欧洲背景下不可接受(26)。对于短期风险设置,工作点设定为达到90%特异度,从而使约10%的女性被归类为高风险并建议接受补充MRI筛查(27)。最后,使用两种模型均为90%特异度的工作点,评估最佳检测模型与最佳风险模型在筛查检出癌和间期癌方面的一致性。

统计分析

性能评估主要采用受试者工作特征曲线下面积(AUC)。对浸润性癌和原位癌进行了亚组分析,并报告了AUC。所有AUC的置信区间及配对AUC的差异均采用DeLong法估计。亚组分析中未配对AUC的差异采用Bootstrap法(1000次迭代)估计。敏感度和特异度的差异采用McNemar检验评估,其置信区间采用Wilson评分法计算。筛查检出癌与间期癌之比(在双重阅片敏感度下)的置信区间采用如上所述的Bootstrap法计算。所有检验均为双侧检验,P值小于0.05表示差异具有统计学意义。对于每项主要指标(AUC、敏感度和特异度),在四个AI模型之间的六项配对检验中,采用Benjamini-Hochberg程序对多重比较的P值进行校正。所有指标均报告95%置信区间。统计分析使用Python(版本3.12.12;Python软件基金会)及Python软件包NumPy 2.4.1、SciPy 1.17.0和Statsmodels 0.14.6完成。所有代码可在https://gitlab.kuleuven.be/medphysqa/deploy/ai-cad-vs-breast-cancer-risk-models获取。

结果

人口统计学特征与筛查特征

筛查年龄女性队列-病例对照数据集共纳入来自8723名女性的24 697例检查。排除后,来自7430名女性的20 187例检查纳入分析(图1)。可用的检查年龄被匿名分为两组:11 401例检查来自40-55岁女性,8786例检查来自55岁以上女性。对于单轮结局的主要分析,741例检查(741名女性)在2年内确诊癌症(78例原位癌、650例浸润性癌和13例类型未知),而19 446例检查(7147名女性)保持健康。在癌症检查中,524例和217例检查分别归为筛查检出癌和间期癌,因此双重阅片敏感度为70.7%(524/741 [95% CI:67.3,73.9])。对于次要的长期风险分析,来自590名女性的1085例检查在长达7年内有癌症病史,来自4051名女性的4058例检查获得健康结局。其他人口统计学详情汇总于表1和表2。

图1:流程图显示了公开可用的筛查年龄女性队列-病例对照(CSAW-CC)数据集的数据排除情况。元数据不一致的检查、无法由人工智能模型处理的检查或缺少2年随访数据的检查均被排除出本研究。主要分析(粗边框)包含单轮筛查结局的两种设置:检出和短期风险。在检出设置中,导致筛查检出癌(SDC)或间期癌(IC)的检查被视为阳性病例;在短期风险设置中,阳性病例被专门定义为间期癌。作为参考,还纳入了长期风险设置的次要分析,其中阳性病例被定义为初次检查后至少经过一轮筛查且最长至初次检查后7年内确诊乳腺癌的检查。 查看原图 ↗
表1:基于检查的人口统计学特征——检出和短期风险设置——主要分析 查看原表 ↗
表2:长期风险背景下基于检查的人口统计学特征——二次分析 查看原表 ↗

总体性能

所有背景下检测模型和风险模型的受试者工作特征曲线见图2,AUC汇总于表3。在检测背景下,阳性病例包括筛查检出癌和间期癌,没有证据表明Transpara Detection(AUC,0.92;95% CI:0.91,0.93)与Transpara Risk(AUC,0.92;95% CI:0.91,0.93;校正P = .93)的性能存在差异。然而,两个模型均优于RSNA Detection(AUC,0.90;95% CI:0.88,0.91)和Mirai Risk(AUC,0.88;95% CI:0.86,0.89;与Transpara模型相比,所有校正P < .001)。关于原位癌与浸润性癌的亚组比较,没有证据表明Transpara Detection和Transpara Risk之间存在差异(分别为P = .13和.46)。然而,Mirai Risk和RSNA Detection对原位癌的表现优于对浸润性癌的表现(分别为P < .001和P = .004)。

在短期风险背景下,阳性病例仅包括间期癌,Transpara Risk表现最佳,AUC为0.81(95% CI:0.78,0.84;所有校正P < .001)。没有证据表明Transpara Detection与Mirai Risk之间存在差异,AUC分别为0.76(95% CI:0.72,0.79)和0.76(95% CI:0.73,0.79)(校正P = .96)。RSNA Detection的AUC最低,为0.72(95% CI:0.68,0.76;所有校正P = .01)。作为参考,Transpara提供的乳腺体积密度仅达到0.64的AUC(95% CI:0.60,0.68)。对于任何模型,均未观察到浸润性癌与原位癌之间存在差异的证据(所有P ≥ .20),尽管这可能是由于原位癌检查数量较少(n = 16)。

在长期风险背景下,关注最长7年的既往癌症,Transpara Risk取得了最佳AUC,为0.74(95% CI:0.72,0.76)(所有校正P < .001)。值得注意的是,没有证据表明Transpara Detection与Mirai Risk之间存在差异,AUC分别为0.70(95% CI:0.68,0.72)和0.71(95% CI:0.69,0.72)(校正P = .44)。与Mirai Risk相比,RSNA Detection的AUC略低,为0.69(95% CI:0.67,0.70;校正P = .01)。在活检亚组中,没有证据表明各模型的性能存在差异(所有P ≥ .12)。

图2:图中显示了(A)检测、(B)短期风险和(C)长期风险的受试者工作特征曲线。由于检测背景和风险背景具有重叠性质,检测模型和风险模型也在其非预期背景下进行了评估。总体性能使用受试者工作特征曲线下面积(AUC)进行评估,并报告95% CI。在检测背景下,双人阅片性能用作参考;在两种风险背景下,乳腺体积密度作为参考。工作点的选择基于检测背景下双人阅片敏感度和90%特异度,以及检测和短期风险背景下的90%特异度。 查看原图 ↗
表3:以AUC衡量的判别性能 查看原表 ↗

检测背景下工作点的选择

在设定操作点之后,两种情境下的模型特征见表4。检测情境下四个模型的操作点首先设定为匹配双阅片70.7%的灵敏度。Transpara Detection取得了最高的特异度,为97.1%(95% CI:96.8,97.3)。相比之下,与Transpara Detection相比,Transpara Risk、RSNA Detection和Mirai Risk的特异度较低,分别为94.0%(95% CI:93.6,94.3)、94.2%(95% CI:93.8,94.5)和87.8%(95% CI:87.3,88.2)(所有校正后P < .001)。未观察到Transpara Risk与RSNA Detection之间存在差异的证据(校正后P = .29)。

为与美国实践中10%的召回率保持一致,操作点还选择了90%的特异度。在该特异度下,Transpara Detection和Transpara Risk分别取得了81.1%(95% CI:78.1,83.8)和80.7%(95% CI:77.7,83.4)的灵敏度,二者之间无差异证据(校正后P = .79)。RSNA Detection和Mirai Risk的灵敏度较低,分别为76.0%(95% CI:72.8,78.9)和66.9%(95% CI:63.5,70.2)(所有校正后P < .001)。Transpara Risk在标记筛查检出癌症方面优于RSNA Detection(490例 vs 483例癌症),尽管它本是为风险预测而设计的。

表4:设定操作点后的特征 查看原表 ↗

固定灵敏度下识别的癌症类型倾向

在检测情境下70.7%的固定灵敏度下,所有模型标记的癌性检查数量(524例检查)相同。然而,由于阳性病例在检测情境中同时包括筛查检出癌症和间期癌,标记的癌症类型构成因模型而异。这种差异反映了模型不同的预期用途。两个检测模型(Transpara Detection和RSNA Detection)标记的筛查检出癌症与间期癌之比相似,分别为8.7(95% CI:6.6,11.8)和8.4(95% CI:6.5,11.5)。相比之下,风险模型(Transpara Risk和Mirai Risk)的比值较低,分别为5.2(95% CI:4.2,6.7)和5.2(95% CI:4.1,6.5),表明它们比检测模型更侧重于间期癌。

短期风险情境下操作点的选择

在短期风险情境下90%的特异度下,Transpara Risk对间期癌取得了最佳的灵敏度,为49.8%(95% CI:43.2,56.4),优于Transpara Detection(灵敏度,41.0%;95% CI:34.7,47.7)、RSNA Detection(灵敏度,36.9%;95% CI:30.7,43.5)和Mirai Risk(灵敏度,34.1%;95% CI:28.1,40.6;所有校正后P ≤ .002)。RSNA Detection和Transpara Detection对间期癌的灵敏度与Mirai Risk相似(均校正后P ≥ .10),尽管它们主要是检测模型且在其预期用途之外运行。作为参考,Transpara乳腺容积密度模型取得的灵敏度仅为19.8%(95% CI:15.1,25.6),低于其他模型,且95% CI无重叠。

检测模型与风险模型之间的一致性

选择Transpara Detection和Transpara Risk来研究筛查检出癌与间期癌的一致性,因为它们在各自适用场景中性能优越。基于两个Transpara模型预测评分绘制的所有检查散点图(图3),在两个工作点均设定为相对较高的90%特异度时,显示大多数筛查检出癌(93.1%;524例中的488例)被两个模型一致识别。然而,被检测模型识别的筛查检出癌中有4.7%(512例中的24例)未被风险模型标记。

关于间期癌,两个模型之间的高度一致性(38.7%;217例中的84例)提示这些检查中的一部分已表现出病灶征象。此外,按照先应用检测模型再应用风险模型的临床实践,仅有11.1%(217例中的24例)的间期癌被风险模型识别而未被检测模型标记。最后,47.9%(217例中的104例)的间期癌仍被两个模型同时漏检。

图3:基于Transpara Detection和Transpara Risk评分的所有检查散点图。每项检查按健康(灰色)、筛查检出癌(蓝色)或间期癌(红色)着色。两个模型在90%特异度时的工作点以虚线表示。 查看原图 ↗

讨论

基于人工智能的短期乳腺X线风险模型的性能在很大程度上受可能被遗漏或被认为无需处理的细微病灶征象的影响,这引发了关于检测模型和风险模型是否可以互换使用的问题。本研究在欧洲一轮筛查中,将检测模型和风险模型分别在检测场景(所有筛查检查)和短期风险场景(仅筛查阴性检查)中进行了比较,以明确它们的作用和重叠情况。在检测场景中,Transpara Detection和Transpara Risk优于其他模型,AUC分别为0.92(95% CI:0.91,0.93;所有校正后P < .001),且无证据表明两者之间存在差异(校正后P = .93)。然而,在双重阅片灵敏度下,Transpara Detection的特异度高于Transpara Risk。在短期风险场景中,仅考虑间期癌时,Transpara Risk取得了最佳AUC 0.81(95% CI:0.78,0.84),在90%特异度下灵敏度最高,为49.8%(95% CI:43.2,56.4)(所有校正后P ≤ .002)。有趣的是,没有证据表明Transpara Detection与Mirai Risk之间存在差异,AUC分别为0.76(95% CI:0.72,0.79)和0.76(95% CI:0.73,0.79)(校正后P = .96)。

模型设计和训练方法可能会引入偏倚。以病灶为导向的风险预测模型(如 Mirai Risk)可能会忽略细微的纹理模式(18,19)。然而,Mirai Risk 在训练过程中纳入了所有筛查检查,这可能有助于模型学习病灶生长过程,包括放射科医生无法看到的模式(28)。本研究结果显示,就当前模型能力而言,偏向于病灶征象的风险模型在短期和长期风险场景中可能表现欠佳。值得注意的是,在长期风险场景中,当排除一个筛查周期内的诊断后,Transpara Detection 的表现仍与 Mirai Risk 相似。此外,两个端到端训练模型(RSNA Detection 和 Mirai Risk)在检测场景中均偏向于检出原位癌。这种偏倚可能是因为训练期间无法获得癌症类型信息,导致模型集中于原位癌,而原位癌常表现为高对比度、易于检出的钙化。

关于既往筛查阴性乳腺 X 线片中病灶可见性的临床研究已证明,病灶检测与风险预测之间存在不可分割的关系(4,15)。这一结果为将计算机辅助检测系统用作短期风险预测工具提供了依据(29)。相反,Mirai Risk 使用所有筛查检查进行训练,可应用于两种场景(10)。尽管检测模型与风险模型之间的界限已变得模糊,但它们的根本区别在于:在相同敏感度水平下,它们倾向于识别筛查检出癌或间期癌,而不论其判别能力如何。这一区别至关重要,因为它决定了 AI 评分在临床实践中如何被定义和赋予。对于乳腺癌风险的一般定义(即无论筛查状态如何,癌症存在的概率),筛查阳性检查应被赋予比随后被诊断为间期癌的检查更高的风险,因为前者已经提示病灶的存在。然而,在实践中,筛查检出癌与间期癌的影像学特征不同,导致优化目标不同。我们的结果提示,各场景下的最佳模型是那些针对各自任务进行优化的模型。

目前的共识是将风险模型应用于筛查阴性检查,并筛选出高风险女性进行补充筛查(3)。这一方法指导了本研究中领先风险模型 Transpara Risk 的开发,该模型专门设计用于风险场景。由于 Transpara Risk 和 Transpara Detection 在检测场景中具有相似的 AUC,我们探讨了风险模型是否能够帮助放射科医生判读临界筛查检查。然而,Transpara Risk 对部分被 Transpara Detection 标记的筛查检出癌症给出了较低的评分,表明该模型可能不适合作为召回决策支持工具。在短期风险场景中对检测模型进行的超适应症评估中,RSNA Detection 和 Transpara Detection 在临床相关特异度水平上的表现与 Mirai Risk 相当。这一结果引发了欧洲筛查中 5% 召回率是否过于保守的问题。被检测模型标记的检查包含已知的可疑区域,可以指导进一步使用其他影像学方法进行评估。此外,检测模型和风险模型在长期场景中表现相当,这可能表明风险模型在受到病灶征象影响时,能够识别具有较长停留时间的癌症。在未来的研究中,可以验证这种偏倚,以确保风险模型专注于识别侵袭性癌症。

本研究存在局限性。首先,由于原始数据集的病例对照设计,癌症病例来自多个筛查轮次,同一女性的既往检查被作为独立的健康对照处理。然而,使用公开可用的数据集有助于未来的比较。其次,对检测模型和风险模型的独立评估可能无法反映真实的临床性能,因为放射科医生与 AI 的协作已被证明可以改善此类模型的独立性能(30)。研究结果为未来的前瞻性研究提供了初步基准。第三,Transpara 模型的性能可能被低估,因为数据集中无法获得的估算年龄和压缩乳房厚度分别对风险预测和密度估计很重要。最后,结果的普适性受到使用单一乳腺 X 线摄影设备和单一筛查人群的限制。具体而言,18 至 24 个月的筛查间隔不同于其他欧洲国家使用的标准两年间隔。由于已知癌症特征在不同筛查间隔之间存在差异,有必要在其他筛查项目中进行进一步验证。

总之,本研究中基于 AI 的乳腺癌模型的基准测试证实,检测模型和风险模型分别更擅长识别筛查检出癌症和间期癌。尽管存在病例对照设计和独立评估的局限,本研究为在筛查背景下整合检测模型和风险模型的研究提供了基础。需要前瞻性研究和外部验证来评估真实世界环境中的患者结局。

补充文件

引用

  1. Wang, Cockmartin, Wagner, et al. Comparison of Artificial Intelligence Detection and Short-Term Breast Cancer Risk Models within and beyond Their Intended Use in Mammography Screening. Radiol Imaging Cancer. 2026. PMID: 42788883. doi:10.1148/rycan.250609
  2. 全文:PMC13620329(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13620329/

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。