圣路易斯华盛顿大学医学院的一项新研究表明，一种创新的分析乳腺X线摄影（mammograms）的方法可以显著提高对未来五年内乳腺癌发展风险的预测准确性。利用最多三年的以前乳腺X线摄影图像，这种方法比仅基于问卷评估临床风险因素（如年龄、种族和家族乳腺癌史）的标准方法，更准确地识别出高风险个体，准确率提高了2.3倍。
这项研究于12月5日发表在《JCO临床癌症信息学》（JCO Clinical Cancer Informatics）上。
“我们正在寻找改进早期检测的方法，因为这可以增加成功治疗的机会。这种改进的风险预测也有助于预防研究，使我们能够找到更好的方法，帮助那些属于高风险类别的女性降低五年内患乳腺癌的风险。”该研究的资深作者、Siteman癌症中心副主任、Barnes-Jewish医院和WashU医学教授Graham A. Colditz博士说。
这一风险预测方法建立在过去由Colditz和主要作者Shu (Joy) Jiang博士领导的研究基础上。Jiang是一位统计学家、数据科学家，也是WashU医学公共健康科学部的外科副教授。研究人员发现，之前的乳腺X线摄影图像中包含了大量关于早期乳腺癌发展的信息，这些信息即使是训练有素的人眼也无法察觉。这些信息包括乳房密度随时间的微妙变化，这是衡量乳房中纤维组织与脂肪组织相对量的一个指标。
在这项新研究中，研究团队开发了一种基于人工智能的算法，可以从乳腺X线摄影图像中识别出细微差异，帮助识别那些在未来特定时间段内最有可能发展成新的乳腺肿瘤的女性。除了乳房密度外，他们的机器学习工具还考虑了图像中其他模式的变化，包括纹理、钙化和乳房内的不对称性。
“我们的新方法能够检测到重复乳腺X线摄影图像中随时间发生的细微变化，这些变化肉眼无法看到，”Jiang说，“但这些变化包含了丰富的信息，可以帮助识别高风险个体。”
目前，降低风险的选项有限，可能包括使用如他莫昔芬等药物，这些药物可以降低风险但可能会有不良副作用。大多数情况下，高风险女性会被建议进行更频繁的筛查或选择添加另一种成像方法，如MRI，以尽可能早地识别癌症。
“目前，我们还没有办法根据女性的乳腺X线摄影图像来预测谁在未来可能会发展成乳腺癌，”共同作者Debbie L. Bennett博士说，她是WashU医学放射学副教授，也是Mallinckrodt放射学研究所的乳腺影像科主任。“这项研究令人兴奋的地方在于，它表明可以通过当前和之前的乳腺X线摄影图像来提取这些信息。虽然预测永远不会完美，但这项研究表明，新算法比我们目前的方法要好得多。”
研究人员在2008年至2012年间通过Siteman癌症中心接受乳腺癌筛查的10,000多名女性的乳腺X线摄影图像上训练了他们的机器学习算法。这些个体一直跟踪到2020年，在此期间有478人被诊断出患有乳腺癌。然后，研究人员将他们的方法应用于另一组患者——2013年至2020年间通过亚特兰大地区埃默里大学接受乳腺X线摄影的18,000多名女性。在随后的随访期（截至2020年）中，有332名女性被诊断出患有乳腺癌。
根据新的预测模型，高风险组的女性在未来五年内被诊断出乳腺癌的可能性是低风险组女性的21倍。在高风险组中，每1,000名接受筛查的女性中有53人在接下来的五年内发展成乳腺癌。相比之下，在低风险组中，每1,000名接受筛查的女性中有2.6人在接下来的五年内发展成乳腺癌。使用旧的问卷方法，只有23名每1,000名接受筛查的女性被正确分类为高风险组，这表明旧方法在此案例中漏掉了30例乳腺癌病例，而新方法发现了这些病例。
这些乳腺X线摄影是在学术医疗机构和社区诊所进行的，证明了该方法在不同环境中的准确性。重要的是，该算法在构建时充分代表了黑人女性，她们通常在乳腺癌风险模型的开发中代表性不足。在通过Siteman接受筛查的女性中，大多数是白人，27%是黑人。而在通过埃默里接受筛查的女性中，42%是黑人。
在正在进行的工作中，研究人员正在测试该算法在不同种族和族裔背景的女性中的应用，包括亚洲、东南亚和美洲原住民女性，以确保该方法对每个人都是同样准确的。
研究人员正与WashU的技术管理办公室合作，申请专利和许可，目标是让这种新方法在任何提供筛查乳腺X线摄影的地方广泛可用。Colditz和Jiang也在努力围绕这项技术创办一家初创公司。
Jiang S, Bennett DL, Rosner BA, Tamimi RM, Colditz GA. 使用重复乳腺X线摄影开发和验证动态5年乳腺癌风险模型。《JCO临床癌症信息学》。2024年12月5日。doi:10.1200/cci-24-00200。
这项工作得到了圣路易斯华盛顿大学医学院的支持。Jiang和Colditz已就这项工作申请了相关专利，即使用放射组学图像预测疾病风险。
来源：圣路易斯华盛顿大学医学院
期刊引用：Jiang, S., et al. (2024). Development and Validation of Dynamic 5-Year Breast Cancer Risk Model Using Repeated Mammograms. JCO Clinical Cancer Informatics. doi.org/10.1200/cci-24-00200.
(全文结束)
