摘要：·乳腺X线（钼靶）是乳腺癌筛查的常用影像学手段，但人工阅片的假阳性和假阴性率较高，尤其是在乳腺致密度大和缺乏经验丰富放射科医师的情况下容易漏诊或误诊，导致不必要的检查和活检。

肺钙化与骨化：发病机制、CT表现及特定疾病

审稿日记-瞎忽悠只有被拒稿

腰骶神经丛的MR神经成像： 技术与疾病图谱

可代做分享CT放射组学预后向量预测高级别浆液性卵巢癌的生存期和间质组织学

可代做分享：基于双参数MRI评估深度学习前列腺癌检测系统与放射科医生读片结果的对比

Pixelmed AI-全身CT/MR自动分割傻瓜式使用教程

·乳腺癌是女性肿瘤相关死亡的首位，且发病率持续上升。

·乳腺X线（钼靶）是乳腺癌筛查的常用影像学手段，但人工阅片的假阳性和假阴性率较高，尤其是在乳腺致密度大和缺乏经验丰富放射科医师的情况下容易漏诊或误诊，导致不必要的检查和活检。

·BI-RADS分级是临床乳腺影像诊断和管理的标准，但其分级主观性强，3类和4类尤其容易被误分，影响临床决策。

·深度学习人工智能（AI）在乳腺癌诊断中的应用已取得进展，但亚洲女性（高乳腺密度）相关大规模研究较少，且AI怎样辅助实际临床BI-RADS决策还有待深入探索。

·数据集：纳入12,433位亚洲女性、共24,866个乳腺（含28,246例来自1号机构用于训练/验证，7,034例和12,452例来自2号机构用于外部测试）。所有数据均配有手术/活检病理或≥2年随访结局。

·AI系统开发：

1.第一步：通过补丁级（patch-level）多任务网络，实现可疑肿块的定位与良/恶性鉴别。

2.第二步：将原始正位（CC）、侧位（MLO）和热力图输入EfficientNet-B0网络学习乳腺整体良恶性特征，实现乳腺级别的恶性概率输出（AIS score）。

·分层评估：

o对3～4类BI-RADS病灶开展AI辅助分层分析，比较AI与专家分级在良/恶性判断上的能力。

o单独对0类（需补充检查）病例用AI协助重新评估。

o设计10位不同资历放射科医师的读片对照研究，分别有无AI辅助，检验AI对人员诊断一致性和准确性的影响。

·整体AI性能：AIS在验证集、测试集1、测试集2中恶性vs非恶性AUC达0.995、0.933、0.947，灵敏度与特异性均较高（>80%）。

·BI-RADS 3-4分层分析：

oAIS相比专家分级准确率、特异性显著提升（如特异性最高升至96%），AUC提升显著。

o对误诊的4B/4C类假阳性，AI可将83.1%正确归入良性，减少过度检查和活检；

o对误诊的3/4A类假阴性，AI可将54.1%正确归入恶性，降低漏诊风险。

·0类病例再评估：AI辅助下，专家能在43例真正恶性中识别出7例（特异性达96.7%，灵敏度较低）。

·人机协作读片结果：有AI支持后，10位医师平均AUC从0.870升至0.888（p=0.001），尤其在资深组提升明显；读片一致性ICC提高。

·适用人群优势：该系统专针对东方/亚洲人群高密度乳腺，补充了现有以欧美人群为主的AI研究空白。

1.数据代表性：当前数据多来自于症状性患者，良性病灶比例偏低，不完全反映实际筛查人群分布，未来需在筛查人群中验证，以评估真实阴性/阳性的临床影响。

2.多厂家/多中心泛化能力：仅用单一品牌设备采集，需测试于不同厂家和多医院数据，以增强模型泛化性。

3.辅助信息整合：当前AIS仅基于影像，无结合临床信息（如家族史、症状等），后续可尝试多模态AI助力。

4.人群适用性与推广性：模型在亚洲人群训练，对于其他种族与不同乳腺生理特征的患者应用效果尚需探索和验证。

5.进一步前瞻性验证：目前为回顾性研究，需前瞻性、多中心临床试验，进一步检验AIS的实际临床决策贡献。

人工智能辅助研究中两个具有代表性的致密型乳腺病例。患者1为良性乳腺癌，患者2为恶性乳腺癌。

患者1和患者2均为致密型乳腺实质，放射科医生通常难以将其归类为良性或恶性。但在人工智能系统 (AIS) 的辅助下，大多数读者可以区分它们。患者1：一位48岁女性因腺病进行的乳腺X线照片显示，左乳外下象限有一个致密的腺体，并伴有结构扭曲。在人工智能系统的帮助下，十位读者的乳腺影像报告和数据系统 (BI-RADS) 分类相应地从4C、4B、3、4B、4C、3、1、3、4A、4B调整为1、4B、3、4B、3、3、1、3、3、3。患者2：一位42岁女性因浸润性导管癌 (IDC) 进行的乳腺X线照片显示，左乳内下象限有致密腺体、片状高密度阴影和粗糙的斑点状钙化。在人工智能的帮助下，十位读者的BI-RADS分类相应地从3、4B、3、3、4B、4B、2、4A、3、3调整为4C、4C、3、4B、2、4A、4A、4B、4B、3。BI-RADS，乳腺影像报告和数据系统；AIS，人工智能系统。

来源：影像诊断小札记