在许多发达国家，乳腺癌筛查项目依旧采用“一刀切”的检查方法，并未针对单个级别的癌症检测进行优化。在乳腺癌筛查中，MRI与乳腺钼靶检查相比有助于提高乳腺癌的早期检测。然而，MRI筛查的成本更高，因此对患者进行可靠的风险分层来选择需要接受MRI检查或其他方式进行筛查至关重要。

在过去的几十年里，已经建立了一些乳腺癌风险预测模型(如Gail模型和Tyrer-Cuzick模型)。然而这些模型所纳入的评估信息并不全面，无法获取图像中的所有风险相关信息。深度神经网络的使用是一种可自动提取图像信息的新方法，可弥补传统方法的多项不足。

近日，发表在Radiology杂志的一项研究建立及评估以深度学习为基础的未来乳腺癌风险评分，并与基于密度的标准化乳腺钼靶风险预测进行了比较，为临床进一步优化女性的乳腺癌筛查流程提供了参考依据。

本项回顾性研究纳入了2013-2014年在卡罗林斯卡大学医院确诊为乳腺癌的40-74岁女性和健康对照组参与者。基于2008年至2012年确诊的病例进行深度神经网络建立。计算深度学习(DL)风险评分、密度区域和密度百分比以用于每位患者的最初数字化乳腺钼靶检查。Logistic回归模型拟合确定与继发乳腺癌的相关性。从DL风险评分、年龄调整的密度区域和百分比中获得假阴性率。

共有2283名女性接受了评估，其中278人后来被诊断出患有乳腺癌。在诊断为乳腺癌的女性中，乳腺钼靶检查的年龄(平均55.7岁vs 54.6岁;P < .001)、密度(平均38.2 cm² vs 34.2 cm²;P < .001)、密度百分比(平均，25.6% vs 24.0%;(P < .001))比未诊断为乳腺癌的女性高。年龄校正DL风险评分的比值比和受试者工作特征曲线下面积(AUC)高于密度区域和百分比密度，分别为:1.56(95%置信区间[CI]: 1.48, 1.64;AUC, 0.65)、1.31 (95% CI: 1.24，1.38;AUC, 0.60)和1.18(95%CI:1.11,1.25;AUC，0.57)(P < 0.001)。假阴性率较低:31% (95% CI: 29%，34%)，36% (95% CI: 33%， 39%;P = .006)，39% (95% CI: 37%，42%;P <.001);这种差异在侵袭性较强的癌症中最为明显。

图 深度学习(DL)风险评分与乳腺癌预后一致的乳腺钼靶图像(真实预测)。所有图像均为左乳中外侧斜位图。(a) 55岁女性，低DL风险评分(0.05)，未诊断为乳腺癌(即真阴性预测)。(b) 47岁女性，低DL风险评分(0.06)，未诊断为乳腺癌(即真实阴性预测)。(c) 56岁女性，高DL风险评分(0.30)，检查5.1年后被诊断为乳腺癌(即真阳性预测)。(d) 57岁女性，高DL风险评分(0.30)，检查5.0年后被诊断为乳腺癌(即真实阳性预测)。

表 与未来乳腺癌相关的深度学习风险评分和乳腺钼靶测量。

综上所述，在乳腺钼靶图像上训练的基于深度学习(DL)的风险模型效果优于基于密度的模型。基于密度的预测因子在侵袭性更强的癌症中诊断效能降低，而基于DL的风险预测因子则未出现降低。本研究提示，基于深度学习的乳腺癌风险预测模型可在乳腺癌筛查中使更多的女性获益，但在常规应用前需在多中心更大样本上进行进一步的验证以确保准确性。

原文出处：

Karin Dembrower,Yue Liu,Hossein Azizpour,et al.Comparison of a Deep Learning Risk Score and Standard Mammographic Density Score for Breast Cancer Risk Prediction.DOI:10.1148/radiol.2019190872