美国麻省总医院Lehman等报告，一种用于评估乳腺癌风险的深度学习模型可以支持可行和有效的基于风险的筛查，并优于传统模型，可在大型筛查队列中确定注定会发展为癌症的患者。（J Natl Cancer Inst. 2022年7月25日在线版）

与传统风险模型相比，深度学习乳腺癌风险模型的准确性有所提高，但尚未进行前瞻性测试。该研究比较了从患者之前的乳房X光检查中得出的深度学习风险评分和传统风险评分的准确性，以前瞻性地识别即将进行筛查队列中的癌症患者。

研究收集了2017年9月18日至2021年2月1日在5家机构筛查的57 617例连续患者的119 139份双侧乳房X线照片数据。从电子病历中检索患者人口统计数据，通过区域肿瘤登记链接确定癌症结果，并使用Wilcoxon和Pearson卡方双侧检验对风险模型进行比较。研究比较了深度学习、Tyrer-Cuzick和美国国家癌症研究所乳腺癌风险评估工具（NCI BCRAT）风险模型的性能和受试者工作特征曲线下面积（AUC）。

结果显示，深度学习模型（8.6，95%CI 7.9~9.4）相比Tyrer-Cuzick模型（4.4，95%CI 3.9~4.9）和NCI BCRAT模型（3.8，95%CI 3.3~4.3，P<0.001），每千名筛查患者中癌症检出的风险更高。深度学习模型的AUC（0.68，95%CI 0.66~0.70）高于Tyrer-Cuzick模型（0.57，95%CI 0.54~0.60）和NCI BCRAT模型（0.57，95%CI 0.54~0.60）。与Tyrer-Cuzick模型和NCI BCRAT模型相比，深度学习模型对前50个百分位风险的模拟筛查在统计上明显发现了更多的癌症患者（P<0.001）。

（编译 鲁雅丽）