一种可解释的人工智能系统通过分层高风险乳腺病变减少MRI的假阳性诊断

更聪明的扫描，减少不必要的操作

乳腺MRI是早期发现癌症的最佳工具之一，特别适用于高风险女性，但它经常“看得太多”，将许多无害的病灶标记为可疑。这些模糊发现会带来焦虑、额外检查以及最终被证实为良性的痛苦活检。本研究介绍了一种新的人工智能（AI）系统，该系统与放射科医师一同解读乳腺MRI，帮助将真正危险的病变与可安全随访的病变区分开来，旨在在不将大量女性送上活检台的情况下发现癌症。

乳腺MRI不确定发现的问题

当放射科医师解读乳腺MRI时，会使用一种称为BI-RADS的分级来标注可疑区域。4类是最令人头疼的：它涵盖的病变的癌变概率从2%到95%不等。由于这一范围非常宽，当前的经验法则是几乎对所有4类病变都进行活检。因此，许多女性不得不接受对最终被证实为良性的病变的侵入性操作。此外，MRI的解读具有主观性。不同放射科医师，尤其是经验较少者，可能对同一张扫描给出不同判断，有时会将良性病变过度诊断，或遗漏细微的癌变。作者的目标是构建一种能够减少这种不确定性并能融入真实医院工作流程的工具。

在数千例扫描上训练的AI伙伴

研究人员开发了BI-RADS 4病变分析系统（BL4AS），这是一个专为这些高风险但模糊的MRI发现设计的AI模型。不同于早期依赖单次影像的系统，BL4AS查看注射造影剂后多个时间点的序列，追踪每个病变随时间的增强和消退。这些变化模式提供了关于组织良恶性的关键信息。团队首先在超过17,000个MRI体积上预训练了一个大型“基础模型”以学习通用影像特征，然后在来自三家医疗中心的2,686名女性的2,803例BI-RADS 4病变上进行了微调。该系统既能勾勒出病灶轮廓，又能将其分类为低风险或高风险，并给出其为癌症的概率。

在真实门诊中优于人类读片者

为评估BL4AS在真实环境外的表现，作者在来自其他医院的独立数据集以及一组新近前瞻性收集的患者上进行了测试。在这些场景中，AI表现出较强的准确性，更关键的是在特异性上明显优于放射科医师——即它更善于识别良性病变并避免错误警报。在一项前瞻性读片者研究中，八位放射科医师先单独解读病例，然后在BL4AS的辅助下重新解读。借助AI，他们的诊断准确性提高，假阳性率下降超过四分之一，读片者之间的一致性显著改善。初级放射科医师获益最大，受系统辅助后其表现几乎能与资深同事匹敌。

让AI决策透明且可操作

鉴于临床医生对“黑箱”AI持谨慎态度，团队内置了可视化解释。BL4AS生成热图，突出显示影响其决策的病灶区域，常常聚焦于不规则形状、锋利边缘和异常强化模式——这些都是放射科医师已关联于癌变的特征。该系统还超越了简单的阳/阴性预测，将病变分入BI-RADS 4A、4B或4C子组，反映了逐步上升的风险。在外部测试集中，这些AI定义的子类与实际的癌症发生率高度吻合，并且在识别可能安全免除活检的低风险病变以及需及时处理的高风险病变方面表现优于放射科医师。

这对患者意味着什么

总体而言，该研究表明，像BL4AS这样的可解释AI助手可以帮助放射科医师更一致地解读乳腺MRI，减少不必要的活检，同时仍保持对漏诊癌症的高度安全余地。通过利用时间分辨MRI数据的全部信息并以对人类友好的方式呈现其推理，系统为更个性化的乳腺癌护理提供了切实可行的路径：真正令人担忧的病变可迅速进入治疗流程，而低风险发现的女性则可能避免侵入性操作，改为随访观察。

引用: Liang, Y., Wei, Z., Dai, Y. et al. An interpretable AI system reduces false-positive MRI diagnoses by stratifying high-risk breast lesions. Nat Commun 17, 2263 (2026). https://doi.org/10.1038/s41467-026-69212-7

关键词: 乳腺MRI, 人工智能, 癌症诊断, 医学影像, 风险分层