乳腺癌AI风险预测：叠加历史片AUC 0.74升0.80

时间：2026年11月8日（新闻发布日）。第11届国际乳腺密度与癌症风险评估研讨会（IBDW）于2025年6月4日至6日在美国夏威夷州Līhuʻe举行，会议摘要集于2026年9月10日在开放获取期刊《Breast Cancer Research》在线发表。 地点：美国夏威夷州考艾岛Līhuʻe；论文集发表于英国《Breast Cancer Research》（BMC出版集团旗下开放获取期刊）。 人物：华盛顿大学医学院Shu Jiang团队（联合哈佛大学陈曾公共卫生学院、康奈尔大学威尔医学中心）；华盛顿大学圣路易斯分校Graham A. Colditz；西北大学Seema A. Khan；卡罗琳斯卡学院与剑桥大学团队；夏威夷大学癌症中心John Shepherd团队；瑞典隆德大学与Skåne大学医院；宾夕法尼亚大学与哥伦比亚大学；西澳大利亚大学与BreastScreen WA。 事件详情：最受关注的一条结论是，把多年历史钼靶片和当次片子一起送进模型，比只看当次单张片子准得多。华盛顿大学团队在10,099名入组时无癌女性的前瞻性队列上训练动态风险模型（随访至2020年，478例病理确诊乳腺癌），并在两个外部队列独立验证：埃默里队列18,360名女性（42%为非西班牙裔黑人，332例确诊）用上三年历史片子后，五年曲线下面积（AUC）达到0.80（95%置信区间0.78–0.83），只用当次片子为0.74（0.71–0.77），差异显著（p<0.01）；英属哥伦比亚癌症中心队列208,313名40至74岁女性（3,021例确诊）用最多四年历史片子达到0.78，单次访视基线0.71。按SEER五年发病率校准后，五年风险超过4%的高风险人群与低于0.3%的极低风险人群相比，风险比为埃默里21.1、BC Cancer 24.4。另一条主线是从影像纹理直接算出风险分数。Graham A. Colditz团队在埃默里与BC Cancer两个队列共22.6万多名不同族裔女性上验证“乳腺影像风险评分”（MRS）：年龄校正后，MRS每升高一个标准差，乳腺癌风险比为2.03到2.15；分族裔看，非西班牙裔黑人2.12、东亚裔2.10、南亚裔2.09、原住民2.19，各组五年AUC无统计学显著差异。AI独立阅片也有可量化对照：瑞典隆德大学与Skåne大学医院用Transpara 2.0.0分析2010至2015年91,072次双读筛查的数字乳腺摄影检查，把AI召回阈值设在与第一位阅片医生相同的96.4%特异度上，AI敏感度69.2%（95% CI 65.7–72.5），非劣于第一位医生的66.1%（62.5–69.6）；密度B组和C组非劣效成立（差值2.9和4.7个百分点），密度A组和D组未成立。卡罗琳斯卡学院与剑桥大学的因果中介分析用瑞典KARMA筛查队列（2,985名亚群参与者、500例发病，中位随访10年）发现，影像AI分数能读出可改变的风险因素：绝经后人群中，它解释了体重相关风险的58.1%、乳腺密度36.1%、良性乳腺疾病31.8%、家族史23.8%；绝经前人群中为密度26.8%、良性乳腺疾病36.1%、家族史18.9%。此外宾夕法尼亚大学与哥伦比亚大学用3D视觉Transformer处理18,584次数字乳腺断层摄影检查（48%为黑人女性、48%为白人女性、4%为其他），测试集AUC 0.656、敏感度0.573、特异度0.646，Transformer输出概率的特征重要性高于年龄、BI-RADS密度和族裔。 背景：乳腺密度既是乳腺癌最强的风险因子之一，也直接影响钼靶检查本身的敏感度。国际乳腺密度与癌症风险评估研讨会（IBDW）自2002年起每两年举办一届，已成该领域最重要的学术平台之一；第11届在夏威夷举行，收到来自14个国家的85篇摘要，围绕风险评估与影像生物标志物现状、密度的生物学与环境决定因素、影像风险评估新技术、临床与组学和影像标志物整合、社区参与与健康公平五个专题展开。问题出在模型本身：主流的影像风险模型大多是“静态”的，只看单张片子，不利用随时间累积的历史影像信息，而这正是本次研讨会多条研究试图补上的缺口。 影响：这些数字对做医疗AI的团队有直接参考价值。纵向动态风险模型已在两个独立大队列（合计超过22.6万名女性）完成外部验证，五年AUC从0.74升到0.80，可以直接当作“AI在这类任务上到底能做到什么程度”的基线；Transpara这类商用AI阅片软件进入双读流程的效果也有了同队列对照（AI敏感度69.2%对第一位医生66.1%）。但边界同样清楚：密度A组和D组人群中，AI对第一位阅片医生的非劣效没有成立；3D视觉Transformer只做单次影像建模，测试集AUC仅0.656，明显低于纵向模型的0.80；AI影像分数能中介体重、乳腺密度等可改变风险因素，属于因果中介建模的推断，仍需独立复核；而这次发表的是会议摘要集，多为初步结果，正式结论还要等各团队完成同行评议的全文。 总结：这次研讨会把“AI在乳腺癌筛查里到底能做什么”从口号推进到了可比的数字：纵向建模把五年风险预测AUC从0.74抬到0.80，AI独立阅片敏感度非劣于第一位放射科医生，AI影像分数还能读出可改变的风险因素；同时它也把不成熟和失效的部分一并摆了出来——密度A/D组的非劣效未成立，单次影像建模的Transformer仍明显落后于纵向模型。对做影像AI的开发者，最实用的结论是静态模型正在被“用历史影像做动态预测”取代；对医疗机构，真正的问题仍然是成本、工作流和可解释性，而不是模型跑不跑得通。全部会议摘要集以开放获取形式发表，原始数字可直接查证。 常见问题： 问：乳腺癌AI风险预测怎么做？ 答：两条路线。一是纵向建模，把历史钼靶片和当次片子一起算，埃默里队列五年AUC从0.74升到0.80；二是从影像纹理算风险评分，每升高一个标准差，风险比约2.03到2.15。 问：乳腺癌AI能替代医生看片吗？ 答：还不能。瑞典91,072次检查的同队列对照中，AI独立阅片敏感度69.2%，非劣于第一位放射科医生的66.1%，但密度A组和D组人群的非劣效没有成立。 参考来源： 第11届IBDW会议摘要集原文（Breast Cancer Research 2026, 28(3):149，开放获取） https://link.springer.com/article/10.1186/s13058-026-02322-8 第11届IBDW研讨会总结论文（Breast Cancer Research 2026, 28(Suppl 2):125） https://link.springer.com/article/10.1186/s13058-026-02323-7 IBDW官方网站：第11届摘要集发表公告与第12届会议信息 https://breastdensityworkshop.org/ IBDW官方网站：历届摘要页 https://breastdensityworkshop.org/abstracts/ Bioengineer.org对第11届IBDW会议摘要的整理报道 https://bioengineer.org/international-workshop-highlights-artificial-intelligence-advances-in-breast-cancer-risk-prediction/ Scienmag发布的原始新闻稿（Nathaniel Bowman） https://scienmag.com/international-workshop-highlights-artificial-intelligence-advances-in-breast-cancer-risk-prediction/