提升乳腺癌检测E FxMammo：一个多体验人工智能评估的结果

　　乳腺癌是全球主要的癌症致死原因，通过筛查钼靶进行早期检测对改善预后至关重要（Elhakim等人，2024年；石等人，2025年）。然而，钼靶的有效性取决于其诊断准确性，这可能因地区和人群而异。对北美和欧洲研究的一项荟萃分析报告称，数字钼靶的联合灵敏度约为76%，特异性为94%–97%（石等人，2025年）。在实践中，性能差异很大：例如，一家印度尼西亚医院观察到钼靶的灵敏度约为90.1%，特异性为93.6%，而巴基斯坦的一项研究发现灵敏度高达97%，但特异性仅为约64.5%（Lehman等人，2015年）。这种差异源于多个因素，包括技术差异、患者人群和乳房成分的不同。值得注意的是，乳房密度显著影响钼靶灵敏度——致密乳房组织会掩盖肿瘤，与以脂肪为主的乳房（灵敏度为86%–89%）相比，致密乳房的灵敏度会降低至62%–68%（Carney等人，2003年；Kerlikowske和Phipps，2011年）。致密乳房在年轻女性和某些族裔（包括许多亚洲人群）中更常见，部分解释了检测率的地区差异（delCarmen等人，2007年）。 　　除了患者因素外，放射科医生在解释性能方面存在明显差异。研究已记录到，即使在类似条件下工作的放射科医生之间，敏感性也存在巨大差异（Elmore等人，2009年）。这种阅片者间的差异意味着一些癌症未被检出（漏诊癌症），而一些没有癌症的患者由于假阳性读数而进行了不必要的复查和焦虑（Elmore等人，2009年）。在印度尼西亚等医生短缺的国家，这个问题尤为突出，特别是那些专攻乳腺影像的医生。由于专家人力有限，许多筛查乳腺X线照片可能由普通放射科医生或实习生进行解释，这可能会增加差异和诊断错误。这些挑战突显了迫切需要创新解决方案来支持放射科医生，提高一致性，并保持乳腺癌检出率高准确性。 　　人工智能（AI）已成为乳腺X线筛查和诊断中一种有前景的辅助工具。由深度学习驱动现代AI系统，可以在大量的乳腺X线照片上进行训练以识别恶性肿瘤的模式。在最近的研究中，AI算法在回顾性设置中的诊断性能与人类放射科医生相当，甚至超过（Kim等，2020）。例如，一个在乳腺X线筛查中评估的AI系统，癌症检测的曲线下面积（AUC）为0.94——显著高于0.81的AUC