乳腺超声检查（US）作为一种重要的乳腺癌筛查与诊断工具，尤其对年轻女性及乳腺致密者极具价值。其优势在于患者耐受性好，且无需电离辐射或静脉注射造影剂。然而，传统超声检查面临的一大挑战是其特异性相对偏低。数据显示，在美国，超声筛查引导下的活检中，仅有9%至11%最终证实为恶性，这不仅增加了医疗开支，也给患者带来了不必要的焦虑和心理负担。因此，开发更有效的非侵入性方法来提升超声诊断的特异性显得尤为迫切。
人工智能（AI）在乳腺超声中的应用探索
近年来，多款基于深度学习算法的商用人工智能（AI）系统应运而生，它们通过分析海量的超声图像数据来辅助评估乳腺病变。有研究报道指出，能够分析乳腺肿块形态特征并进行良恶性二分类的AI系统，有助于提升放射科医生的诊断表现，特别是在提高特异性方面。在此模式下，AI扮演着决策支持的角色，辅助医生做出最终诊断。
然而，当医生的乳腺影像报告和数据系统（BI-RADS）分类与AI系统的判读结果出现分歧时，应如何抉择，目前尚未形成统一共识。此外，AI在两个互相垂直的扫查平面（如径向和反径向）上对同一病灶的分类结果也可能不一致，尤其是在低度可疑病变中更为常见。
整合AI、BI-RADS与年龄：减少不必要活检的新策略
为了减少不必要的乳腺活检，已有研究尝试将AI与BI-RADS分类相结合。这些研究发现，AI或许能帮助将部分BI-RADS 4a类（低度可疑恶性）病变降级处理，从而避免良性活检。但既往研究存在样本量偏小、可能牺牲敏感性（漏诊率）或缺乏外部数据验证等局限。同时，年龄作为乳腺影像诊断中的重要风险因素，并未被充分纳入考量。
近期，《European Radiology》发表的一项研究旨在解决这些问题。研究人员开发并验证了一种新的整合策略，该策略不仅考虑了AI的分类结果和医生的BI-RADS评估，还纳入了患者年龄这一关键因素。
一项发表于European Radiology的新研究，旨在开发并测试整合人工智能（AI）的策略，以提高乳腺超声筛查（US）的特异性，减少良性活检。
研究方法与关键发现
这项回顾性研究纳入了在两家医院接受乳腺超声筛查，并被诊断为BI-RADS 3至5类肿块的无症状女性。研究人员利用建模队列（393名女性，101例恶性）的数据，通过逻辑回归分析制定了整合AI的避免活检策略：
- 对于所有女性，若AI在两个扫查平面上均判断为“良性”，则可将BI-RADS 4a类肿块降级为BI-RADS 3类（建议随访观察而非立即活检）。
- 对于年龄≤45岁的女性，若AI在一个平面判断为“良性”，另一个平面判断为“恶性”，同样可将BI-RADS 4a类肿块降级。
随后，研究人员在一个独立的外部验证队列（166名女性，31例恶性）中测试了该策略的有效性。
结果显示，在外部验证队列中，该整合策略：
- 显著提高了特异性：从放射科医生原始评估的53.3%提升至80.7% (P < 0.001)。这意味着假阳性率大幅降低。
- 保持了非劣效的敏感性：敏感性维持在100%，未出现漏诊。
- 有效减少了不必要的活检：根据该策略，原本被建议进行活检的BI-RADS 4a类良性病变中，有高达61.7%可以避免活检。
表：不同BI-RADS评估类别下，放射科医生原始读数与AI在两个正交平面分类对应的恶性肿瘤率
结论与启示
这项研究有力证明，通过整合人工智能（AI）在两个正交平面的病灶分类结果、患者年龄以及放射科医生的BI-RADS评估，可以在不牺牲乳腺癌检出敏感性的前提下，显著提高乳腺超声筛查的特异性，从而大幅减少良性病变的活检数量。这一策略有望优化当前的乳腺癌筛查流程，减轻患者负担。
准确的诊断是癌症治疗的第一步。对于需要进一步了解治疗方案或寻求海外先进药物（如靶向药、仿制药）的患者，可以关注MedFind的药物信息服务。同时，MedFind AI问诊也能为您的健康决策提供智能参考。
