AI 乳腺癌筛查多中心研究:灵敏度超人类,可替代二次阅片

研究分回顾性、前瞻性两阶段开展，均聚焦谷歌乳腺钼靶 AI 系统（1.2 版）。回顾性研究：纳入英国 5 家 NHS 筛查中心、2015-2016 年 115973 名 50-70 岁女性影像，以 39 个月随访数据为金标准，对比 AI 与人类首阅、二阅、共识阅片的灵敏度、特异性，分析癌症检出率、召回率，开展年龄、种族、乳腺密度等亚群公平性评估，模拟 AI 替代二阅的工作流影响。前瞻性研究：伦敦 2 家筛查中心、12 个站点，纳入 9266 例病例，非干预式部署 AI，监测阅片耗时、召回率，验证技术集成可行性，针对数据分布偏移迭代校准 AI 阈值，全程评估数据质量、设备差异对性能的影响，严格遵循伦理审批与数据合规要求。

回顾性阶段，AI 灵敏度 0.541（高于人类首阅 0.437，P<0.001）、特异性 0.943（非劣于人类首阅 0.952，P<0.001）；癌症检出率从 7.54 升至 9.33 / 千人，识别 25.0% 间期癌；初筛人群召回率降 39.3%、检出率升 8.8%，浸润性癌检测优势显著；无系统性人口学差异，仅少数小样本亚群临界不劣效。模拟替代二阅，阅片时间降 32%、检出率升 17.7%，总人力需求降 46.4%。前瞻性阶段，AI 阅片耗时 17.7 分钟（远快于人类 2.08 天），初始阈值敏感度过高致召回率偏高，校准后性能稳定；设备差异引发数据偏移，校准后可适配，全程无公平性问题，技术集成可行。

图 1：研究整体设计与实施框架

这张图从研究阶段、评估维度和落地场景三个层面，清晰勾勒了 AI 乳腺筛查研究的完整流程。左侧回顾性研究部分，明确选取英国 5 家不同筛查机构、3 种差异化阅片流程，覆盖 12.5 万名女性样本，用于全面验证 AI 性能；中间部分聚焦公平性与安全性评估，从病例、乳腺、病灶、感兴趣区域等多维度，结合临床、社会、人口学因素做细分分析，同时针对不同机构校准模型操作阈值并监测数据漂移；右侧前瞻性可行性研究，在 12 个筛查站点开展静默部署，不干预临床决策，仅让 AI 同步分析病例，验证技术落地的实操性，整体串联起从大规模回顾验证、公平性校验到真实场景前瞻测试的全链条研究逻辑。

图 2：AI 与人类阅片者的性能核心对比

该图集中呈现了回顾性研究中 AI 系统与人类阅片者在乳腺癌筛查上的关键性能差异，核心凸显 AI 的优势与适配场景。图 a 和 b 从病例、乳腺、病灶三个层级，直观对比了 AI、第一阅片者、第二阅片者及共识决策的灵敏度和特异度，明确 AI 在灵敏度上显著优于人类首阅者，特异度达到非劣效标准；图 c 展示 5 家不同筛查机构中，AI 性能均保持稳定，不受机构间样本和筛查流程差异影响；图 d 重点区分首次筛查和后续复查场景，揭示 AI 在首次筛查中优势尤为突出，能大幅降低召回率、提升癌症检出率，而后续复查中虽检出率更高但召回率也同步上升，精准体现 AI 在不同筛查阶段的适配价值。

图 3：AI 在不同人群与临床特征亚组中的性能表现

这张图拆解了年龄、社会经济状况、种族、乳腺密度、病灶大小、癌症风险等级等关键亚组，全面分析 AI 在不同群体中的筛查性能与公平性。整体来看，AI 性能在绝大多数亚组中无系统性差异，不存在针对特定人群的显著偏差，仅少数样本量极小的亚组（如特定贫困等级、混合种族）灵敏度未达非劣效标准，属于统计波动而非系统性缺陷；在年龄维度，AI 对 65 岁以上女性灵敏度优势更明显；针对癌症类型，AI 对高风险浸润性癌症灵敏度远超人类，对低风险原位癌也保持非劣效；在设备适配、乳腺密度等技术和生理特征亚组中，AI 性能稳定，证实其筛查公平性和场景普适性。

图 4：前瞻性部署中 AI 的真实世界性能与动态变化

该图呈现了 12 个筛查站点前瞻性静默部署阶段，AI 系统在真实临床场景的性能表现、动态调整过程及数据分布偏移影响。图 a 对比回顾性数据、部署初期阈值和调整后阈值三个阶段，发现真实场景中 AI 初始阈值过于敏感，召回率偏高，调整阈值后性能回归稳定，与回顾性研究结论一致；图 b 关联癌症检出率与召回率，清晰展示部署中数据分布偏移（设备、人群、流程变化）导致人类和 AI 性能同步波动，阈值校准是适配真实场景的关键；图 c 以周为单位追踪召回率和检出率，直观反映样本构成的周度差异，凸显低患病率筛查人群中，实时监测 AI 性能、及时校准阈值的必要性。