人工智能和深度学习的进步为改善医学诊断和患者护理开辟了新的途径。《放射学：人工智能》杂志上最近发表的一项研究表明，一种基于乳腺摄影的深度学习（DL）模型在检测高风险乳腺癌女性的癌前变化方面具有潜力。这项研究对于提高乳腺癌检测和风险分层的前景具有重要意义，特别是对于易感人群。
该研究侧重于利用一个DL模型，该模型是在大量筛查乳腺摄影图像的数据集上进行训练的。
使用接收者操作特征曲线下面积（AUC）来评估DL模型的性能，以衡量其预测准确性。结果显示出令人期待的结果，DL模型在一年的AUC方面达到了71%，在五年的AUC方面达到了65%，用于预测乳腺癌。尽管传统的乳腺影像报告和数据系统（BI-RADS）系统在一年的AUC方面稍高达到了73%，但DL模型在长期乳腺癌预测方面表现更好，其五年AUC为63%，而BI-RADS为54%。
该研究还深入探讨了影像在预测未来癌症发展方面的作用，进行了镜像实验，评估DL模型在检测早期或癌前变化方面的准确性，这些变化在标准乳腺摄影图像中可能不明显。结果表明，对于影像中存在未来癌症的情况，正向镜像产生了62%的AUC，而负向镜像则显示了51%的AUC，突显了DL模型在检测癌前或早期恶性变化方面的潜力。
一个特别有前景的发现是DL模型在短期风险分层中作为BI-RADS系统的补充。将DL模型的结果与BI-RADS评分结合起来，可以改善区分度，表明DL工具可以增强筛查乳腺摄影图像的评估，并提供更准确的近期风险评估预测。
研究人员还强调了DL模型的训练数据集侧重于低风险高风险女性，警告不要直接将研究结果推广到乳腺癌平均风险的女性。需要进一步研究探索DL模型在不同人群中的适用性以及其在更广泛的患者群体中辅助乳腺癌检测和风险评估的潜力。
总的来说，该研究强调了DL模型在乳腺癌检测和风险分层方面的巨大潜力，特别是对于高风险个体。它为未来的研究提供了铺路，以改进DL模型，拓展其在不同人群中的应用，最终促进乳腺癌诊断和患者预后的改善。随着技术的进步，基于人工智能的解决方案可以革新乳腺癌筛查和管理，实现早期发现和改善患者护理。