【乳腺筛查AI】乳腺癌确诊前10年，影像里可能已经有风险信号

一、为什么这项研究值得看

乳腺癌筛查最核心的目标，一直是尽早发现已经形成的可疑病灶。但临床上还有一个更前移的问题：在肿块、钙化或其他典型征象变得足够明确之前，乳腺X线影像里是否已经存在某些更隐匿的风险线索？

2026 年发表在 Radiology 的这项研究，就把问题推到了这个时间维度上。研究者没有只问 AI 能不能在当次筛查中发现癌，而是追踪同一批受检者在确诊前多年里的乳腺X线检查，观察商业化乳腺筛查 AI 的分数是否会提前升高。

换句话说，这篇文章真正有意思的地方不在于“AI 又多找到了几个癌”，而在于它提示：乳腺影像 AI 可能不只是一个辅助阅片工具，也可能成为未来筛查风险分层的一部分。

二、研究想回答什么

这项研究围绕一个很直接的问题展开：后来被诊断为乳腺癌的人，在正式确诊前多年，AI 分数是否已经和始终未患癌的人不一样？

研究者进一步拆成三个层面：

AI 分数是否会在确诊前 10 年、6 年、4 年等时间点提前升高。

这种信号是否比传统乳腺密度指标更有区分能力。

如果 AI 确实能提前捕捉风险，它应该被理解为“提前诊断工具”，还是“风险分层工具”。

第三点尤其重要。因为对公众传播来说，这类研究很容易被说成“AI 提前 10 年诊断乳腺癌”。但从论文数据看，更准确的表述应该是：AI 分数在部分未来患癌人群中更早出现升高趋势，这是一种风险信号，不等同于已经可以做临床诊断。

三、研究怎么做

研究使用瑞典 VAI-B 乳腺影像人工智能验证数据库，覆盖 2008 年 1 月至 2019 年 4 月的筛查乳腺X线检查。对于后来确诊乳腺癌的人，研究者尽可能纳入其确诊前最多 10 年内的所有筛查记录；对于未患癌对照人群，也纳入对应时间范围内的检查。

最终研究包含 31,394 名个体、88,963 次乳腺X线检查。其中 12,072 人后来被诊断为乳腺癌，中位筛查年龄为 57.6 岁。

研究中评估了 3 个商业化 AI 计算机辅助检测系统。每个系统都会给每次乳腺X线检查输出一个 AI 分数。由于不同系统的原始分数量表不一样，研究者把它们转换为百分位分数，便于比较不同时间点和不同模型之间的变化。

为了让数据更接近真实筛查环境，研究者还做了上采样处理，使分析中的癌症比例接近 1%。随后，他们比较 AI 分数和乳腺密度在预测未来乳腺癌风险方面的表现。

四、关键结果

结果显示，在乳腺癌正式诊断前多年，未来患癌人群的 AI 分数确实已经更容易升高。

在 90% 特异度下，3 个 AI 系统可以潜在标记的未来乳腺癌比例分别为：

确诊前 10 年：12.7%、13.8%、17.0%。

确诊前 6 年：19.0%、19.6%、19.7%。

确诊前 4 年：24.2%、23.3%、25.2%。

这个趋势说明，越接近正式诊断时间，AI 分数能标记出的未来癌症比例越高。它并不意味着所有乳腺癌都能被提前发现，也不意味着 AI 可以直接替代医生判断，但它提示乳腺X线影像中可能存在一些肉眼不容易稳定识别、却能被算法量化的早期风险模式。

研究还比较了 AI 分数与乳腺密度的预测能力。排除当次筛查已经直接检出的癌症后，3 个 AI 系统在所有时间点合并分析中的 AUC 约为 0.63 到 0.67，而乳腺密度作为预测指标的 AUC 为 0.57。

这组数字的含义很朴素：AI 分数不是决定性工具，但它比单独看乳腺密度提供了更多风险信息。

五、真正的新意在哪里

这项研究最值得关注的，不是把 AI 包装成“超前诊断神器”，而是改变了我们理解乳腺筛查 AI 的角度。

过去很多 AI 乳腺筛查研究更关注当次检查：能不能减少漏诊，能不能降低阅片负担，能不能提高召回效率。这里的重点则是纵向变化：同一个人在多年筛查中的 AI 分数轨迹，是否能提前透露未来风险。

这让 AI 的角色从“帮医生多看一眼”向“帮助筛查体系更早识别高风险人群”移动了一步。

对临床来说，这种信息的潜在价值在于分层管理。比如某位受检者本次筛查尚未达到明确召回标准，但 AI 分数长期处在高百分位，或者连续几年上升，她未来也许更适合接受更短间隔复查、补充超声或 MRI，或者进行更充分的个体化风险沟通。

六、边界必须说清楚

这项研究不能被解读为“AI 已经能提前 10 年诊断乳腺癌”。AUC 0.63 到 0.67 说明模型确实捕捉到信号，但距离单独决定临床路径还很远。

AI 分数升高不等于一定会患癌。它也不能脱离影像科医生、筛查规范和个体风险因素独立使用。更稳妥的定位，是把 AI 分数看作现有筛查体系中的增量信息，而不是最终结论。

此外，研究本身是回顾性分析。它证明了“确诊前多年 AI 分数可能已经升高”，但还没有证明“根据这个分数改变筛查策略就一定能改善结局”。未来还需要前瞻性研究回答更关键的问题：基于 AI 风险分层进行随访调整，是否真的能减少间期癌、改善分期分布，甚至降低死亡风险。

七、给临床和科普传播的启发

这篇研究很适合做科普，因为它讨论的不是一个遥远的技术指标，而是筛查场景里非常现实的问题：我们能不能在“看见明确病灶”之前，更早识别谁需要被重点关注？

对医生而言，它提示乳腺筛查 AI 的价值可能不仅是提高当次检出率，还包括辅助长期风险管理。对公众而言，它传递的信息也很重要：AI 不是简单替代医生，而是有可能为筛查体系增加一层更早、更细的风险识别能力。

真正成熟的应用，应该是医生、影像特征、既往筛查记录、家族史、乳腺密度和 AI 分数共同参与决策。单独拿一个 AI 分数来制造焦虑，或者把它说成确定诊断，都不是这项研究支持的方向。

八、总结

这项 Radiology 研究显示，部分乳腺癌患者在正式确诊前多年，筛查乳腺X线中的 AI 分数已经出现可测量升高。与传统乳腺密度相比，AI 分数提供了更强一些的未来风险区分能力。

它的意义，不是证明 AI 能提前多年独立诊断乳腺癌，而是提示乳腺影像中可能存在更早期、更隐匿、但可被算法捕捉的风险信号。未来乳腺筛查 AI 的重要方向，也许不是单纯“看得更准”，而是帮助医生“更早知道谁值得重点关注”。

参考文献

Hickman N, Gialias G, Schurz A, et al. Artificial Intelligence Detection Scores in Screening Mammography for Early Breast Cancer Alerts. Radiology. 2026. PMID: 42262245.