现阶段，乳腺钼靶检查是筛查和检测乳腺癌的标准方式。然而，由于其二维投影的内在限制，灵敏度较低，在63%到84%之间。目前，基于人工智能的计算机辅助诊断（AI-CAD）被应用于钼靶检查，并显示出与独立的诊断性能相当或更高的性能，同时在作为附加工具使用时，显著提高了放射科医生的诊断性能。与传统的基于放射科医生定义的特征的CAD程序不同，基于深度学习网络的AI-CAD算法在推导最终分数或结果方面没有那么直观。由于大多数商业AI-CAD程序提供了带有异常分数的热图，用户大致接受了分数越高意味着癌症的概率越高。然而，分数本身的意义还没有被澄清，关于不同的分数对患者意味着什么，或者说异常分数和美国放射学会乳腺成像和报告系统（BI-RADS）是如何关联的问题仍然存在。

近日，发表在European Radiology杂志的一项研究根据临床、放射学和病理学特征评估了乳腺癌的异常度评分，同时分析了AI-CAD中假阴性病例的乳腺癌特征，为该技术更好地协助放射科以及临床医生提供了参考依据。

本研究从2017年1月到2017年12月将930名诊断为的乳腺癌患者纳入研究中。商业AI-CAD被应用于乳腺钼靶，并获得异常评分。根据临床、放射学和病理学特征评估了异常评分。假阴性结果的定义是异常评分小于10分。 

930个乳腺的异常评分中位数为87.4（范围0-99）。AI-CAD的假阴性率为19.4%（180/930）。与低分的癌症相比，异常评分超过90分的癌症显示出高比例的可触及病变、BI-RADS 4c和5病变、呈现为有或没有微钙化的肿块和浸润性乳腺癌（所有P < 0.001）。与检测到的乳腺癌相比，假阴性乳腺癌更有可能发生在无症状的患者和致密型乳腺中，并被诊断为隐性乳腺癌和DCIS。 

图 一位44岁的患者被诊断为左乳有一个20毫米大小的三阴性亚型浸润性导管癌，分期为T1cN0。左侧乳腺癌在1点钟方向表现为肿块（箭头），被AI-CAD遗漏（异常评分7分）

本研究表明，在AI-CAD上描述的乳腺癌的高异常得分与较高的BI-RADS类别、浸润性病理和较高的恶性等级具有相关性。

原文出处：

Si Eun Lee,Kyunghwa Han,Jung Hyun Yoon,et al.Depiction of breast cancers on digital mammograms by artificial intelligence-based computer-assisted diagnosis according to cancer characteristics.DOI:10.1007/s00330-022-08718-2