例乳房x光检查显示假阳性病例评分为96分，患者为59岁黑人患者，散在纤维腺样乳腺密度。(A)左颅侧和(B)中外侧斜位视图显示中深度上外象限(框)的血管钙化，人工智能算法将其异常识别为可疑发现，并将单个病变评分为90分。这导致乳房x光检查的总体病例得分为96分。资料来源:北美放射学会(RSNA)

　　研究表明，人工智能在乳房x光检查中可能会受到患者年龄和种族的影响而产生假阳性，这突显了人工智能的重要性多样化训练数据的重要性。

　　最近的一项研究分析了由fda批准的人工智能算法解读的近5000张筛查乳房x光片，发现种族和年龄等患者特征影响了假阳性率。该研究结果发表在今天(5月21日)的北美放射学会(RSNA)杂志《放射学》上。

　　“人工智能已经成为放射科医生的一种资源，可以提高他们阅读乳房x光检查的效率和准确性，同时减轻读者的倦怠，”北卡罗来纳州达勒姆杜克大学助理教授Derek L. Nguyen医学博士说。“然而，患者特征对人工智能表现的影响尚未得到很好的研究。”

　　人工智能应用中的挑战

　　阮博士说，虽然初步数据表明，应用于筛查乳房x光检查的人工智能算法可能会提高放射科医生对乳腺癌检测的诊断能力，并减少解释时间，但人工智能的一些方面需要注意。

　　他说:“用于人工智能算法训练的人口统计学数据库很少，FDA也不需要不同的数据集来进行验证。”“由于患者群体之间的差异，研究人工智能软件是否能够适应不同年龄、种族和民族的患者，并在相同的水平上表现出来，这一点很重要。”

　　例如，一名59岁的西班牙裔非均匀致密乳房患者的乳房x光检查显示假阳性风险评分为1.0。双侧重建二维(A, B)颅侧和(C, D)中外侧斜位视图。该算法预测1年内癌症，但该个体在乳房x光检查后2年内没有发生癌症或异型性。资料来源:北美放射学会(RSNA)

　　研究设计与人口统计

　　在这项回顾性研究中，研究人员确定了2016年至2019年期间在杜克大学医学中心进行数字乳房断层合成筛查检查呈阴性(无癌症证据)的患者。所有患者在乳房x光检查后随访两年，没有患者被诊断为乳腺恶性肿瘤。

　　研究人员随机选择了这个组的一个子集，包括4,855名患者(中位年龄54岁)，广泛分布在四个民族/种族群体中。该亚组包括1316例(27%)白人、1261例(26%)黑人、1351例(28%)亚洲人和927例(19%)西班牙裔患者。

　　市售的人工智能算法解释了乳房x光检查子集中的每个检查，生成病例评分(或恶性肿瘤的确定性)和风险评分(或随后一年的恶性肿瘤风险)。

　　人工智能在人口统计学中的表现

　　“我们的目标是评估人工智能算法的表现是否在年龄、乳房密度类型和不同患者种族/民族之间是一致的，”Nguyen博士说。

　　考虑到研究中所有的乳房x光检查都没有发现癌症，任何被算法标记为可疑的东西都被认为是假阳性结果。与白人患者和51 - 60岁的女性相比，黑人和老年患者(71-80岁)的假阳性病例评分明显更高，亚洲患者和年轻患者(41-50岁)的假阳性病例评分更低。

　　Nguyen博士说:“这项研究很重要，因为它强调了医疗机构购买的任何人工智能软件在所有患者年龄、种族/民族和乳房密度上的表现可能都不一样。”“展望未来，我认为人工智能软件升级应侧重于确保人口多样性。”

　　有限公司医疗保健提供者的注意事项

　　Nguyen博士说，医疗机构在购买用于筛查乳房x光片解释的人工智能算法之前，应该了解他们所服务的患者群体，并向供应商询问他们的算法培训。

　　他说:“对你所在机构的人口统计数据有一个基本的了解，并向供应商询问他们培训数据的种族和年龄多样性，这将有助于你了解你在临床实践中面临的限制。”

　　参考文献:“患者特征影响人工智能算法在解读阴性筛查数字乳腺断层合成研究中的表现”，作者:阮博士，任Yinhao，博士，Tyler M. Jones, b.s.， Samantha M. Thomas, m.s.， Joseph Y. Lo，博士和Lars J. Grimm, M.D, m.s.， 2024年5月21日，放射学。